SZENT ISTVÁN EGYETEM ÉLELMISZERTUDOMÁNYI KAR
MINTAVÉTELI ELJÁRÁSOK OPTIMALIZÁLÁSA A TERMÉKMEGFELELŐSÉG ELLENŐRZÉSÉRE ÉLELMISZEREKBEN ELŐFORDULÓ NÖVÉNYVÉDŐSZERMARADÉK-HATÁRÉRTÉKEK FIGYELEMBEVÉTELÉVEL
FARKAS ZSUZSA
GÖDÖLLŐ 2017
A doktori iskola megnevezése: Élelmiszertudományi Doktori Iskola tudományága: Élelmiszertudományok vezetője:
Dr. Vatai Gyula, DSc tanszékvezető egyetemi tanár, SZIE, Élelmiszertudományi Kar, Élelmiszeripari
Műveletek
és
Gépek Tanszék
Témavezető:
Dr. habil. Ambrus Árpád, CSc
címzetes
egyetemi
tanár,
ny. tudományos főtanácsadó
A doktori iskola- és a témavezető jóváhagyó aláírása: A jelölt a Szent István Egyetem Doktori Szabályzatában előírt valamennyi feltételnek eleget tett, a műhelyvita során elhangzott észrevételeket és javaslatokat az értekezés átdolgozásakor figyelembe vette, ezért az értekezés védési eljárásra bocsátható.
……………………………..
…………………………...
Az iskolavezető jóváhagyása
A témavezető jóváhagyása
2
Tartalomjegyzék Tartalomjegyzék ........................................................................................................... 3 Jelölések, rövidítések jegyzéke .................................................................................... 5 Fontosabb jelölések .................................................................................................... 6 1. BEVEZETÉS............................................................................................................ 7 A kutatómunka fő célkitűzései ................................................................................... 9 2. IRODALMI ÁTTEKINTÉS................................................................................... 10 2.1 Növényvédő szerek az élelmiszerekben – nemzetközi és hazai szabályozás .... 10 2.2 Növényvédőszermaradék-határértékek nemzetközi viszonylatban ................... 11 2.2.1 Határérték-megállapítást végző szervezetek................................................. 11 2.2.2 A Helyes Mezőgazdasági Gyakorlat (GAP) ................................................. 11 2.2.3 Szerkísérletek ................................................................................................ 12 2.2.4 Az MRL fogalma, számítása ........................................................................ 13 2.2.5 Monitoring .................................................................................................... 14 2.2.6 Termények csoportosítása ............................................................................ 14 2.3 Növényvédőszer-maradékok vizsgálati értékeit befolyásoló tényezők ............. 15 2.3.1 Szermaradékok területen belüli variabilitása ................................................ 15 2.3.2 Szermaradékok eloszlása .............................................................................. 19 2.4 Szermaradékértékek kombinált bizonytalansága ............................................... 22 2.4.1 A mintavétel bizonytalansága ....................................................................... 26 2.4.2 Laboratóriumi minták kezelésének hatása a mérés bizonytalanságára......... 27 2.5 Élelmiszerek szermaradék-tartalmának ellenőrzése .......................................... 34 3. ANYAG ÉS MÓDSZER ........................................................................................ 36 3.1 Mintavételi bizonytalanság becslése a termőterületen vett elemi sárgarépa- és petrezselyemlevél-mintákból ................................................................................... 36 3.1.1 Felhasznált adatbázis .................................................................................... 36 3.1.2 Mintaanalízis................................................................................................. 37 3.1.3 Módszerek a mintavételi bizonytalanság becslésére elemi minták alapján .. 41 3.2 Mintavételi bizonytalanság becslése összetett mintákból, szerkísérletek alapján45 3.2.1 Felhasznált adatbázis .................................................................................... 45 3.2.2 Módszerek a mintavételi bizonytalanság becslésére szerkísérletek alapján . 46 3.2.3 Konfidenciaintervallum számítása................................................................ 49 4. EREDMÉNYEK .................................................................................................... 51 4.1 Területi mintákból származó szermaradékértékekkel végzett modellezések eredményei ............................................................................................................... 51 4.1.1 Mintaméret és ismételten vett minták számának hatása a variabilitásra ...... 51 4.1.2 Az ismételten vett minták számának hatása a variabilitásra ......................... 54 4.1.3 Az alapsokaság (mintázandó egység) variabilitásának hatása...................... 57 4.1.4 A vizsgált tételek számának hatása az összetett minták szermaradéktartalmának variabilitására ..................................................................................... 59 4.2 Szerkísérletekből származó szermaradékértékekkel végzett becslések eredményei ............................................................................................................... 62 4.2.1 Konfidenciaintervallum számítása a kísérleti adatok modellezésének eredménye alapján ................................................................................................. 62 4.3 Területi és szerkísérletek alapján végzett modellezések összehasonlítása ........ 67 4.4 Javasolt mintavételi bizonytalanságértékek cselekvési küszöbérték meghatározásához .................................................................................................... 69 4.5 Szermaradékértékek kombinált bizonytalanságának felhasználása határértéknek való megfelelőség ellenőrzéséhez ............................................................................ 77 3
4.5.1 Hatósági ellenőrzés piacra kerülés után ........................................................ 77 4.5.2 Piacra kerülés előtti önellenőrzés ................................................................. 78 4.5.3 Cselekvési küszöbérték kiszámítása piacra kerülés előtti önellenőrzés céljából ................................................................................................................... 79 4.6 Mintavételi tervek optimalizálása ...................................................................... 80 4.6.1 A laboratóriumi fázis bizonytalanságának optimalizálása növényvédőszermaradékok meghatározása során ........................................................................... 80 4.6.2 A mért szermaradékértékek kombinált bizonytalanságának minimalizálása 82 4.6.3 Cselekvési küszöbérték és valószínűségi görbék alkalmazása ..................... 83 4.7 Új tudományos eredmények............................................................................... 88 5. KÖVETKEZTETÉSEK ÉS JAVASLATOK ......................................................... 89 5.1 Területi mintákból származó szermaradékértékekkel végzett modellezésekből levonható következtetések ....................................................................................... 89 5.2 Szerkísérletek alapján meghatározott mintavételi bizonytalanságértékek gyakorlati felhasználása ........................................................................................... 91 5.3 Javaslatok ........................................................................................................... 91 6. ÖSSZEFOGLALÁS ............................................................................................... 93 7. SUMMARY ........................................................................................................... 96 8. MELLÉKLETEK ................................................................................................... 99 M1. Irodalomjegyzék ............................................................................................... 99 M2. Modellezésekhez használt adatbázisok jellemzői .......................................... 109 M3. Példák a kezelt területek méretére szerkísérletek során különböző termények esetén ...................................................................................................................... 110 A DISSZERTÁCIÓ TÉMÁJÁBAN MEGJELENT KÖZLEMÉNYEK ................. 111 EGYÉB KÖZLEMÉNYEK ..................................................................................... 111 KÖSZÖNETNYILVÁNÍTÁS .................................................................................. 113
4
Jelölések, rövidítések jegyzéke ADI – Acceptable Daily Intake – elfogadható napi bevitel AL – Action Limit – cselekvési küszöbérték ANOVA – Analysis of variance – varianciaanalízis ARfD – Acute Reference Dose – akut referenciadózis CAC – Codex Alimentarius Commission – Codex Alimentarius Főbizottság CCPR – Codex Committee on Pesticide Residues – Növényvédőszer-maradékok Codex Szakbizottság CH – Compositional heterogeneity – kompozíciós heterogenitás CV – Coefficient of Variation – variációs koefficiens (relatív szórás) df – Degree of freedom – szabadsági fok DH – Distributional heterogeneity – disztribúciós heterogenitás EB – The European Commission – Az Európai Bizottság EFSA – European Food Safety Authority – Európai Élelmiszerbiztonsági Hatóság EPT – The European Parliament and the Council – Az Európai Parlament és az Európai Unió Tanácsa FAO – Food and Agriculture Organization of the United Nations – Az Egyesült Nemzetek Szervezetének Élelmezési és Mezőgazdasági Világszervezete GAP – Good Agricultural Practice – Helyes Mezőgazdasági Gyakorlat GC-MS/MS – Gas Chromatography-Mass Spectrometry – gázkromatográffal kapcsolt tömegspektrometria HR – Highest residue – legmagasabb szermaradékérték ISO – International Organization for Standardization – Nemzetközi Szabványügyi Szervezet JCGM – Joint Committee for Guides in Metrology – Metrológiai Szakbizottság JMPR – FAO/WHO Joint Meeting on Pesticide Residues – a FAO/WHO peszticidmaradékokkal foglalkozó együttes ülése LCL – Lower confidence limit – alsó konfidenciaszint LC-MS/MS – Liquid Chromatography-Mass Spectrometry – folyadékkromatográffal kapcsolt tömegspektrometria LOQ – Limit of Quantification – meghatározási határ MRL – Maximum Residue Limit – maximális szermaradékérték NÉBIH – Nemzeti Élelmiszerlánc-biztonsági Hivatal NÉBIH NTAI – Nemzeti Élelmiszerlánc-biztonsági Hivatal – Növény- Talaj- és Agrárkörnyezet-védelmi Igazgatóság OC curve – Operational characteristic curve – valószínűségi görbe OECD – Organisation for Economic Co-operation and Development – Gazdasági Együttműködési és Fejlesztési Szervezet PAH – Polycyclic aromatic hydrocarbon – policiklusos aromás szénhidrogének PCB – polychlorinated biphenyl – poliklórozott bifenilek PRIMo – Pesticide Residues Intake Model – peszticidmaradék-bevitel modell QuEChERS – Quick, Easy, Cheap, Effective, Rugged, Safe – több komponens egymás melletti meghatározására szolgáló módszer akronimja SD – Standard Deviation – szórás SPS Agreement – Agreement on the Application of Sanitary and Phytosanitary Measures –Egészségügyi és Növény-egészségügyi Egyezmény STMR – Supervised Trial Median Residue – Szerkísérletekből származó szermaradékértékek mediánja UCL – Upper confidence limit – felső konfidenciaszint WHO – World Health Organization – Egészségügyi Világszervezet
5
Fontosabb jelölések µ – átlag A – az alapsokaságot alkotó minták száma AL – cselekvési küszöbérték – action limit c – elemi mintában mért szermaradék-koncentráció CIr0,95 – CV értékek 95%-os relatív konfidenciaintervalluma CVA – analízis véletlen relatív hibája CVAw – CVA értékek összesített súlyozott átlaga CVL – laboratóriumi fázis relatív bizonytalansága CVR – mért szermaradékértékek kombinált bizonytalansága CVS – mintavétel relatív bizonytalansága CVScs – terménycsoportok relatív mintavételi bizonytalansága CVSiKorr – termények relatív mintavételi bizonytalansága mintaméret-korrekcióval CVSp – mintafeldolgozás (homogenizálás) relatív bizonytalansága CVSprim – relatív mintavételi bizonytalanság elemi mintákra vonatkoztatva CVSS – mintaméret-csökkentés relatív bizonytalansága d2 – terjedelem statisztikában használt állandó g – elemi minta tömege L – vizsgált tételek száma mTp – tesztadag tömege (g) N – generált mintaszám (a modellezések során generált n méretű összetett minták száma) n – mintaméret (összetett mintát alkotó elemi minták száma) p – ismételten vett minták száma R – szermaradék-koncentráció összetett mintákban U – kombinált, kiterjesztett bizonytalanság UCLprim – mintavételi bizonytalanságértékek felső konfidenciaintervalluma elemi mintákra vonatkoztatva V – variancia Z – sztenderd normál változó βt – a tétel megfelelőségi aránya βv – elfogadható nemmegfelelőségi százalék – acceptable violation rate
6
1. BEVEZETÉS Az élelmiszerekben jelen levő kémiai szennyezők, melyek potenciális rövid vagy hosszú távú egészségügyi kockázatot jelentenek a fogyasztók számára, számos forrásból származhatnak. Ide sorolhatók az egyes penészgombafajok által termelt mikotoxinok, a különböző baktériumtoxinok, a csomagolóanyagokból kioldódó mérgező anyagok (pl. biszfenol A, ftalátok), a környezeti szennyezők (pl. nehézfémek, poliklórozott bifenilek, PCB-k; policiklusos aromás szénhidrogének, PAH-ok), az élelmiszer-feldolgozás során keletkezett anyagok (pl. akrilamid, nitrozaminok), a nem engedélyezett adalékanyagok, illetve hamisítás során az élelmiszerbe kerülő káros anyagok (pl. melamin) is. Kémiai szennyezőknek minősülnek a különböző növényvédő szerek terményben maradó részei is. A növényvédő szerek alkalmazása szerves része a modern mezőgazdaságnak
terméshozam-növelés,
illetve
minőségjavítás
céljából.
Alkalmazásuk révén lehetséges a kártevők, különböző növénybetegségek elleni sikeres védelem, továbbá a gyomok elszaporodásának megelőzése. A növényvédő szerek regisztrációja szigorúan szabályozott folyamat, amely során vizsgálják toxicitásukat, lebomlásukat, illetve határértékeket (MRL) határoznak meg nyers és feldolgozott termékekben egyaránt. A régebb óta alkalmazott növényvédő szereket újonnan elérhető adatok alapján újraértékelik, és szükség esetén pontosítják a korábban meghatározott referenciaértékeket. A nem a gyártásban, mezőgazdaságban, vagy kertészeti ágazatban dolgozók számára a növényvédő szereknek való kitettség elsődleges forrásai az élelmiszerek. Az élelmiszertermelés során szándékosan felhasznált növényvédő szerek alkalmazása szigorú szabályozás alapján történik. A Helyes Mezőgazdasági Gyakorlat (GAP) betartásával biztosítható, hogy a fogyasztó asztalára kerülve az élelmiszer már csak a lehető legalacsonyabb koncentrációban tartalmazzon növényvédőszer-maradékot, ami a fogyasztó egészsége szempontjából biztonságos szint alatt van. Szükséges ezen túl
az
élelmiszerekben
mintavételen
alapuló
előforduló
ellenőrzése
szennyezőanyagok (monitoring
folyamatos,
vizsgálatok),
célzott
véletlen területi
vizsgálatok végrehajtása a hatóság részéről, valamint az önellenőrzés a termelők részéről. A szermaradékokat határértéket meghaladó mennyiségben tartalmazó élelmiszer nemcsak a fogyasztó egészségét veszélyeztetheti, de nagymértékű gazdasági károkat is okozhat az élelmiszertételek visszautasítása, megsemmisítése következtében. 7
A manapság használatos növényvédő szerek a fejlesztéseknek köszönhetően egyre inkább szelektívek. Ugyanakkor nem zárható ki, hogy bioakkumuláció révén a nem célszervezetekre
is
hatással
lehetnek.
Különösen
magzati,
csecsemő-
és
kisgyermekkorban lehet veszélyes a növényvédő szereknek való kitettség a relatív kis testsúly, valamint a kiválasztó és méregtelenítést végző szervek fejletlensége miatt. Ugyanakkor általánosságban elmondható, hogy a határértéket (MRL) nem meghaladó mennyiségben növényvédőszer-maradékot tartalmazó élelmiszerek fogyasztása hosszú távon sem jelent egészségügyi kockázatot. A termékmegfelelőség biztosítása a termelő felelőssége. Ahhoz, hogy a termény megfeleljen az előírásoknak, melyek a növényvédőszer-maradékok határértékeire vonatkoznak, a termelőnek elsődlegesen be kell tartani a felhasználási utasításokat és még a kereskedelmi forgalmazás előtt célszerű ellenőriztetnie a termék megfelelőségét. A vizsgálatok költségesek, ezért a rendelkezésre álló erőforrások optimális felhasználása alapvető fontosságú. A növényvédő szerek eloszlását, valamint a kezelt terményen maradó szermaradékok koncentrációját számos tényező befolyásolhatja. Permetezéskor a környezeti feltételek (pl. talajegyenlőtlenségek), az időjárás (pl. szél), a növény fizikai tulajdonságai (pl. a lombkorona szerkezete), a termény fejlettségi állapota, a mikroklíma és a betakarítást követő kezelések mind hozzájárulnak a mintázott tételre elkerülhetetlen
jellemző
szermaradék-variabilitáshoz,
a
mintavétel
bizonytalanságához. Ahhoz, hogy a minták laboratóriumi analízise során kapott szermaradékértékeket kellő körültekintéssel tudjuk kezelni, a mért szermaradékértékekre jellemző kombinált bizonytalanság ismerete feltétlenül szükséges. A szermaradékok kombinált bizonytalanságértékéhez gyakran legjelentősebb mértékben a mintavétel bizonytalansága járul hozzá, ennek ellenére sokáig elhanyagolták ennek a területnek a kutatását. Disszertációmban a mért szermaradékértékek kombinált bizonytalanságához hozzájáruló
tényezők
elemzésén
túl
külön
hangsúlyt
kap
a
mintavétel
bizonytalanságának becslése. Célom egy mintavételi tervek optimalizálását segítő modell
kidolgozása,
mely
segítségével
meghatározható
egy
határértéknél
alacsonyabb szennyezőanyag-koncentráció, ún. cselekvési küszöbérték, mely a termény piacra kerülés előtti ellenőrzésekor használandó a tétel megfelelőségének ellenőrzésére. A mért szermaradékérték kombinált bizonytalanságához hozzájáruló
8
tényezők ismeretében az önellenőrzés céljából készült mintavételi tervek adott szituációhoz adaptálhatók, a költségek optimalizálhatók. A kutatómunka fő célkitűzései
A növényvédőszer-maradék vizsgálati eredmények bizonytalanságához hozzájáruló tényezők, műveletek számbavétele, különös tekintettel a mintavételre.
A növényvédőszer-maradékok vizsgálatára alkalmazott mintavételre jellemző bizonytalanság meghatározása különböző terményekben a korábbi szakirodalmi közleményekben szereplő elemi és szerkísérleti mintavizsgálatok eredménye alapján.
A becsült mintavételi bizonytalanság 95%-os relatív tartományának meghatározása a vizsgált tételek és a tételből vett párhuzamos minták számának függvényében.
Az eredmény bizonytalanságát befolyásoló tényezők figyelembevételével a szermaradék-vizsgálati eljárás optimalizálására alkalmas módszer kidolgozása és bemutatása.
A növényi termények kereskedelmi forgalomba helyezése előtti önellenőrzésre vizsgálati
alkalmas eredmények
cselekvési
küszöbérték
kombinált
meghatározása
bizonytalanságának
a a
figyelembevételével.
A cselekvési küszöbérték automatikus számítására alkalmas MS Excelalapú módszer kidolgozása.
Nem
volt
célom
közleményekben
ellenőrizni a
a
korábbi
szermaradékok
lektorált
szakirodalmi
eloszlására
vonatkozó
megállapításokat. Azokat a közlemények alapján elfogadtam.
9
2. IRODALMI ÁTTEKINTÉS 2.1 Növényvédő szerek az élelmiszerekben – nemzetközi és hazai szabályozás Hazánkban az Európai Unióban érvényes növényvédő szerek forgalomba hozataláról szóló 1107/2009/EK rendelet (EPT 2009) alapján uniós szinten engedélyezett hatóanyagok hozhatók forgalomba. Új hatóanyag regisztrációja esetén az Európai Élelmiszerbiztonsági Hatóság (EFSA) Élelmiszerlánc- és Állategészségügyi Állandó Bizottsága foglal állást. Magyarországon a már regisztrált hatóanyagot tartalmazó növényvédő szereket a NÉBIH NTAI (Nemzeti Élelmiszerlánc-biztonsági Hivatal Növény-, Talaj- és Agrárkörnyezet-védelmi Igazgatósága) értékeli, és szükség szerint engedélyezi. Az értékelés kiterjed a határérték-megfelelőségre a felhasználási javaslat alapján, fogyasztói kockázatbecslésre a Magyarországra jellemző fogyasztási adatokat figyelembe véve, továbbá a felhasználás során a rendszeres monitoringra is. Kockázatbecsléshez a PRIMo-t (peszticidmaradék-bevitel modell) használják a nemzetközileg elfogadott rövid és hosszú távú fogyasztói kockázatbecslés módszertana alapján, mely a nemzeti élelmiszerfogyasztási adatokra, a tagállamoktól származó közepes méretű termények egységtömegeinek adataira, az egészségügyi referenciaértékekre és a javasolt növényvédőszermaradék-határértékekre (MRL) épül. Monitoring vizsgálatok során elsősorban friss, fogyasztásra szánt zöldségek, gyümölcsök és gabonafélék növényvédőszermaradék-tartalmát ellenőrzik, kiszűrve ezzel a potenciális élelmiszer-biztonsági kockázatokat. Szükség esetén azonnali intézkedéseket tesznek, hogy a termény/termék ne jusson el a fogyasztók asztaláig. Nemzetközi szinten a Codex Alimentarius Főbizottság (CAC) által kidolgozott dokumentumok Alimentarius
szolgálnak
Főbizottságot
az
élelmiszer-szabályozás
1963-ban
hozta
létre
az
alapjául. Egyesült
A
Codex
Nemzetek
Szervezetének Élelmezési és Mezőgazdasági Világszervezete (FAO) és az Egészségügyi Világszervezet (WHO). Feladata kidolgozni azokat – az összefoglaló néven Codexnek nevezett – nemzetközi szabványokat, irányelveket és útmutatókat, amelyek az élelmiszerek legfontosabb összetevőit és azok idegenanyag-tartalmának maximálisan elfogadható szintjét szabályozzák. Ezen irányelvek és útmutatók a nemzeti szabályzásban nem kötelező érvényűek, de referenciaként szolgálnak vitás esetekben az élelmiszer-higiéniai és -biztonsági kérdésekben a Világkereskedelmi Egyezmény
keretében
létrehozott
Egészségügyi
és
Növény-egészségügyi
Egyezmény (SPS Agreement) alapján. Valamennyi tagország aktívan részt vehet a szabványok megalkotásában és harmonizációjában. A bizottságok munkájában 10
jelenleg 182 ország, az Európai Unió delegált képviselői és egyéb, élelmiszerszabályozással foglalkozó szervek képviselői vesznek részt (Yamada 2017). Magyarország 1963 óta résztvevője a munkának. Az uniós harmonizációt nagymértékben megkönnyítette, hogy a magyar élelmiszerjogba fokozatosan beépítésre kerültek a Codex-irányelvek és -útmutatók előírásai. 2.2 Növényvédőszermaradék-határértékek nemzetközi viszonylatban 2.2.1 Határérték-megállapítást végző szervezetek A Codex Alimentarius 42 állandó bizottsága közül a Növényvédőszer-maradékok Szakbizottsága (CCPR) felelős az élelmiszerekben és takarmányokban előforduló növényvédőszer-maradékokkal kapcsolatos ajánlások kidolgozásáért. Legfontosabb feladata
a
nemzetközi
kereskedelemben
mozgó
terményekre
vonatkozó
szermaradékhatárérték-javaslatok elkészítése, melyeket a Főbizottság hagy jóvá Codex-sztenderdként. A FAO/WHO peszticidmaradékokkal foglalkozó együttes ülése, a JMPR (FAO/WHO Joint Meeting on Pesticide Residues) a FAO/WHO keretei között működő független tudományos tanácsadó szakértők csoportja (Hamilton et al. 2017). Javaslataik képezik a CCPR által kidolgozott növényvédőszermaradék-határértékek alapját. Feladatuk 1966 óta: a növényvédőszer-maradék szerkísérletek és a toxikológiai vizsgálatok eredményének értékelése alapján elfogadható napi bevitel (ADI) értékeinek és akut referenciadózis (ARfD) értékeinek meghatározása, javaslat készítése a CCPR részére a maximálisan várható szermaradék-koncentrációra (MRL), illetve a fogyasztói bevitel becslése determinisztikus módszerrel a szermaradék-eloszlás mediánja (STMR) és a mért legmagasabb szermaradékértékek (HR) alapján. Tudományosan megalapozott javaslataikkal segítik a CCPR, illetve a CAC munkáját. 2.2.2 A Helyes Mezőgazdasági Gyakorlat (GAP) A FAO által kidolgozott, a növényvédő szerek forgalmazása és felhasználása során tanúsítandó magatartásról szóló Nemzetközi Magatartási Kódex definíciója alapján a Helyes Mezőgazdasági Gyakorlat (GAP) tartalmazza a növényvédő szer hivatalos ajánlás szerinti vagy nemzeti szinten engedélyezett felhasználási módját, amellyel adott körülmények között megvalósítható a kártevők elleni hatékony és megbízható védekezés. Magában foglalja a növényvédő szer felhasznált mennyiségének tartományát a megengedett legmagasabb szintig, oly módon alkalmazva, hogy a 11
szermaradék a kivitelezhető legkisebb mennyiségben legyen jelen (FAO és WHO 2014). A GAP nemzeti szinten végzett biológiai hatékonysági vizsgálatokon alapszik. Termékfejlesztés során a növényvédőszer-gyártó cégek megállapítják, mi a módja a termék hatékony, ugyanakkor biztonságos felhasználásának. Optimális területi dózistartományt kell meghatározniuk az aktuális alkalmazási technológiák mellett. A címkén feltüntetett felhasználási útmutató célja a célzott kártevők elleni védelem minimális mellékhatás mellett, valamint a költséghatékony növényvédelem – a szükségesnél nem több növényvédő szer használatával, ezáltal az élelmiszerekben és takarmányokban a lehető legkevesebb szermaradék jelenlétével. Az érvényben lévő GAP központi szerepet játszik a határértékbecslésben. A kritikus GAP a nemzeti szinten engedélyezett legmagasabb értékekkel végzett növényvédőszer-alkalmazás (maximálisan engedélyezett használat), amely magában foglalja az engedélyezett maximális növényvédőszer-mennyiséget, a felhasználások maximális számát, valamint a kezelések közötti, illetve az utolsó kezelés és a betakarítás közötti legrövidebb időt (FAO és WHO 2014). 2.2.3 Szerkísérletek A szerkísérletek célja annak a megállapítása, hogy amennyiben a felhasználói útmutató szerint használjuk a növényvédő szert, milyen szermaradék-koncentráció várható a terményben a betakarításkor. A kritikus GAP szerint végzett elegendő szerkísérletadat alapján becsülhető a termények várható legmagasabb szermaradéktartalma (HR); ennek, valamint a szermaradékok eloszlásának figyelembevételével történik a növényvédőszermaradék-határértékek (MRL) meghatározása, amit az illetékes hatóságok rendeletbe foglalnak. A szerkísérleti adatok felhasználhatók továbbá az élelmiszerek általi kitettség becslésére. Disszertációmban a mintavételi bizonytalanság becslésére használtam fel a szerkísérletek adatait (3.2 fejezet). A
szerkísérleteket
szigorúan
ellenőrzött
körülmények
között
végzik.
A
kísérletvezető, mint felelős személy ellenőrzi, megfigyeli és feljegyzést készít a szerkísérlet egyes lépéseiről. A gyakorlatilag azonos felhasználási körülmények ellenére (növényvédőszer-dózis, ismételt kezelések száma, fenológiai stádium, azonos idő az utolsó kezelés és a betakarítás között) a tapasztalat alapján az élelmiszerekben és takarmányokban mérhető szermaradékértékek széles tartományon belül változhatnak kísérletről kísérletre. Ennek okait a következő fejezet részletezi.
12
Hamilton és munkatársai (1997) 102 szerkísérleti sorozatot tanulmányoztak, sorozatonként azonos növényvédőszer-alkalmazás és időzítés volt jellemző (minimum 8 szerkísérlet egy termény-növényvédő szer kombinációban). A maximális szermaradékérték tipikusan 3-, 5-szöröse volt a mediánnak, de akár 30szoros értéket is elért. Ambrus és munkatársai (2014a) 1950, maximális szermaradékértékek
becslésére
válogatott
szerkísérleti
sorozat
(25
766
szermaradékérték) alapján megállapították, hogy az esetek majdnem 90%-ában a maximális szermaradékérték egy sorozaton belül 7-szer medián tartományon belül volt. Amennyiben a medián 3-szoros értékén belül talált szermaradékérték alapján történik a HR érték becslése, az alábecslés valószínűsége közel 45%. Következésképpen
az
ebből
becsült
MRL
értékek
és
rövid
időtartamú
exozícióbecslések sem pontosak. 2.2.4 Az MRL fogalma, számítása Az
MRL
az
mértékegységben
a
maximális megadva,
növényvédőszer-maradék mely
jogilag
koncentráció
engedélyezetten
mg/kg
előfordulhat
élelmiszerekben és takarmányokban. Az MRL értékeket a Helyes Mezőgazdasági Gyakorlat alapján kezelt területekről származó szerkísérletek adatai alapján határozzák meg (EPT 2005). Azon élelmiszer-alapanyagok és -termények, melyek megfelelnek a vonatkozó MRL értékeknek, toxikológiai szempontból elfogadhatónak tekinthetők. Az adott felhasználási körülmények között várható maximális szermaradékértékek becslése során a JMPR figyelembe veszi a növényvédő szer, és annak maradékára vonatkozó különböző vizsgálatokat, valamint a kritikus GAP szerint végzett szerkísérleteket és egyéb ellenőrzött körülmények között történő felhasználásokat. Annak érdekében, hogy a nemzeti szinten eltérő növényvédelmi kritériumokat lefedje a nemzetközi ajánlás, a Codex MRL-ek megállapítása során a szerkísérletekben a nemzeti felelős hatóságok által engedélyezett felhasználást követően előforduló legmagasabb szermaradékszinteket veszik figyelembe. A JMPR a Gazdasági Együttműködési és Fejlesztési Szervezet (OECD) Pesticide Residues munkacsoportja által kidolgozott, az interneten MS Excel-makró formájában szabadon hozzáférhető programot alkalmazza a várható maximális szermaradékérték becslésére. A becsült értéket azonban körültekintően kell kezelni. A rendelkezésre álló összes releváns információt figyelembe véve a JMPR ettől eltérő javaslatot is tehet. Az elérhető kísérletek száma szignifikánsan befolyásolja a
13
becsült maximális szermaradékértékek pontosságát. A 3-5 kísérletből végzett HRbecslés meglehetősen bizonytalan. Ideális esetben 15, vagy annál több, de célszerűen legalább 8 kísérletből származó szermaradékértékre lenne szükség a JMPR jelenlegi gyakorlata szerint a HR, illetve az MRL becsléshez (Horváth et al. 2014). 2.2.5 Monitoring A mezőgazdasági termények szermaradék-monitoringjának egyik célja, hogy a növényvédő szer engedélyezését követően ellenőrizze, hogy a felhasználási módokat helyesen határozták-e meg, és az útmutatót követve a felhasználás során a határértéket nem meghaladó szermaradék-mennyiség található a terményekben. A szabályozó
hatóságok
nem
állapítottak
meg
egységesen
elfogadható
nemmegfelelőségi százalékos gyakoriságot. A binomiális eloszlás alaptétele (1. egyenlet) szerint 100%-hoz közeli megfelelőségi szint eléréséhez nagyon nagyszámú mintát kellene ellenőrizni, ami a gyakorlatban nem kivitelezhető. βt=1-βpn
(1)
ahol βt a tétel megfelelési aránya, βp a megfelelés valószínűsége, n pedig a mintaszám. A Baseline-konzorcium az Európai Unió 7. keretprogramja során végzett kutatások eredménye alapján 98%-os megfelelőségi szintet javasolt (v = 2%-os szabálysértési ráta) a kémiai szennyezőkkel és növényvédő szerekkel kapcsolatos élelmiszerbiztonsági célkitűzésnek a monitoring programok tervezése során (Ambrus et al. 2013). Az ellenőrzendő termény-növényvédő szer kombináció gyakorlatilag végtelen, ezért szükséges ezek kockázatalapú rangsorolása a rendelkezésre álló információk (szerkísérletek, korábbi monitoring adatok, növényvédő szerek eladási adatai, fogyasztási adatok stb.) alapján (Horváth és Ambrus 2017). 2.2.6 Termények csoportosítása A Codex Élelmiszerek és Takarmányok Osztályozását (CAC 1993) a CCPR dolgozta ki 1980-tól kezdve több éven keresztül, amit a CAC először 1989-ben fogadott el. A dokumentum célja, hogy a növényi és állati termények (árucikkek), amelyekre vonatkozva MRL-t
határoznak meg, egységes nevezéktannal
(és kóddal)
rendelkezzenek, továbbá a terményeket csoportok és alcsoportok szerint osztályozza, mely alapján csoportra vonatkozó MRL-ek is megállapíthatók. A csoportosítás nem csupán botanikai, illetve zoológiai besorolás, egyéb tényezőket is figyelembe vesz, mint például a mintavétel szempontjából fontos morfológiai tulajdonságok (külön csoportot alkotnak a gyümölcsök, gyökér- és gumós zöldségek, leveles zöldségek, 14
diófélék), illetve egyéb hasonlóságok. Nyers és feldolgozott termények is szerepelnek a csoportosításban, továbbá az, hogy a termény mely része releváns az analízis szempontjából, lehetőséget teremtve a határérték-megfelelőség következetes ellenőrzésének kivitelezéséhez. A dokumentum jelentős eredmény az élelmiszerek és takarmányok csoportosításának egységesítése és nemzetközi harmonizációja szempontjából, ugyanakkor jelenleg teljes átdolgozás alatt áll. A CCPR munkacsoport tagjai új, pontosabb csoportosításon dolgoznak, melynek terménycsoportonkénti véglegesítése a soron következő CCPR/CAC-üléseken történik (CCPR Reports 2010-2017).
2.3 Növényvédőszer-maradékok vizsgálati értékeit befolyásoló tényezők 2.3.1 Szermaradékok területen belüli variabilitása A növényvédő szereket számos (biotikus és abiotikus) okból kifolyólag lehetetlen teljesen egységesen eloszlatni a növények felületén, emiatt a növényvédőszermaradékok variabilitása gyakorlati körülmények között elkerülhetetlen (Dubus et al. 2003). A szermaradékok eloszlását elsődlegesen a permetezés körülményei befolyásolják: az alkalmazástechnika, a permetezési technológia (a permetező típusa, beállításai), a növények mérete, a lombkorona szerkezete (Cross et al. 2001a; Cross et al. 2001b; Rawn et al. 2007; Smith és MacHardy 1984; Travis 1987a; Travis 1987b). Az ültetvények geometriai szerkezete nagyon változó fajtól, fajtától, elhelyezkedéstől, ültetési rendszertől, kortól, fejlettségi állapottól függően. A nagymértékű eltérések ellenére a felhasználók döntő többségénél bevett gyakorlat, hogy egy mezőgazdasági területen levő ültetvényeket ugyanolyan módon, fix dózissal és mennyiséggel kezelnek, figyelmen kívül hagyva a területen belüli változékonyságot. Ez a gyakorlat akár tízszeres eltérést is eredményezhet a fák felszínét érő egységnyi átlagos növényvédőszer-koncentrációt illetően (Furness et al. 1998). Xu és munkatársai tanulmányukban (2006) két almaültetvényen két év alatt végzett kísérletek alapján vizsgálták a növényvédő szeres kezelések időbeli és térbeli különbségeiből fakadó variabilitást. A szerzők igazolták, hogy a szermaradékok teljes variabilitásához legnagyobb mértékben az egyedi termények közötti variabilitás járul hozzá. Az eredmények alapján az átlagos szermaradék-koncentráció szignifikánsan magasabb volt a fák felső és külső régióiban, mint a belső részeken. Eredményeik megerősítették Ambrus korábbi megállapításait (Ambrus 1979). A 15
szermaradék-variabilitást legnagyobb mértékben a zónákon belüli egyedi minták közötti variabilitás befolyásolja, mely levélminták esetén az összes variabilitás 71%át, gyümölcsminták esetén a 49%-át teszik ki (Xu et al. 2006). Egyenletes növényvédőszer-borítottság még korszerű háti géppel vagy traktor által vontatott permetezőgéppel sem érhető el.
1. ábra. Három éves papajaültetvény növényvédő szeres kezelése (Ambrus et al. 2014b). Az 1. ábrán egy hároméves papajaültetvény növényvédő szeres kezelése látható. A folyamatosan érő gyümölcsök 4-4,5 méter magasságban helyezkednek el (5-6 éves ültetvényben a fák 6-8 méter magasak). A bal oldali kép a gyümölcsök elhelyezkedését mutatja. A jobb oldali kép hibás gyakorlatot mutat. A permetező személy az előtte lévő sort kezeli, de a permetlé jelentős hányada az ültetvényben szóródik szét és nem a védendő növényre, gyümölcsre kerül. A szántóföldi növények kezelésénél a talaj egyenetlensége következtében a szórókeret
billegése
okozhat
koncentrációkülönbségeket
a
szermaradékok
tekintetében. A repülőgépes permetezésnél a gép emelkedése vagy süllyedése okozhat eltérő permetlé-borítottságot. Hatással vannak a variabilitásra továbbá a veszteséget okozó folyamatok, úgymint az időjárás, a fotodegradáció, a mikroklíma, a növény növekedése is. Az esőzések (Frank et al. 1987), öntözések miatti lemosódás szignifikáns szermaradékveszteséget eredményezhet (Frank et al. 1985; Smith és MacHardy 1984). A kezelés 16
során a még elfogadható erősségű oldalszél is a permetlé-eloszlás torzulását eredményezheti, ahogy azt a 2. ábra szemlélteti. Nincs mennyiségileg kiértékelhető hatással a szermaradékok relatív variabilitására a növényvédőszer-alkalmazás és a mintavétel között eltelt idő, levélkezelés esetén az alkalmazott növényvédő szerek mennyisége és alkalmazási dózisa, az aktív összetevő kémiai és fizikai tulajdonságai, illetve a készítmény összetétele (Ambrus 2000).
2. ábra. Az oldalszél hatására a permetcseppek profilja torzul (Ambrus et al. 2014b). Kísérleti adatok statisztikai analízise kimutatta, hogy az analitikai módszerek pontatlansága nem járul hozzá szignifikánsan a mért szermaradék-koncentráció variabilitásához, azaz a mért szermaradékérték bizonytalanságához, tehát a variabilitás fő okozója az egy mintázandó egység egyedi terményeiben (elemi mintákban) mért szermaradékértékek közötti különbség (Hill és Reynolds 2002). A számos fent említett tényező miatt, mely hatással van a termények szermaradéktartalmának eloszlására, a kezelt területekről vett egyedi mintákban mért szermaradékértékek nagymértékű variabilitást mutatnak, mely átlagosan 80-110%-os relatív szórással (CV) jellemezhető (Ambrus 1996; Harris 2000; Hill 2000; LentzaRizos és Balokas 2001; Song et al. 2011). Alkalmanként kiugróan magas szermaradékértékek (az adatbázis mediánjának 10-12-szerese) is előfordulhatnak egyedi, nyers gyümölcs- és zöldségminták esetén (Harris 2000; Harris et al. 2000). A szermaradék-variabilitás széles körben tanulmányozott témakör. Az alábbi kísérletek során (Ambrus 2000, 2006; FAO 2002) 100-300 egyedi mintát vettek általános mezőgazdasági gyakorlat szerint kezelt területekről 14 országban. Az egyes termények egyedi egységeit (elemi minták) külön-külön analizálták, egyidejűleg több
17
hatóanyag detektálására alkalmas sokkomponenses módszerrel. Példák (Ambrus 2006) a kezelt területekről véletlenszerűen kiválasztott pozíciókból vett egyedi
Szermaradék [mg/kg]
mintákban mért szermaradék-variabilitásra a 3. ábrán láthatók. Alfametrin szőlőben
1,4 1,2 1 0,8 0,6 0,4 0,2 0 0
20
40
60
80
100
120
100
120
100
120
Szermaradék [mg/kg]
Véletlen mintavételi pozíció Pirimifosz-metil uborkában
1,4 1,2 1 0,8 0,6 0,4 0,2 0 0
20
40
60
80
Vélelen mintavételi pozíció
Szermaradék [mg/kg]
Ciprokonazol répában 0,4 0,3 0,2 0,1 0,0 0
20
40
60
80
Véletlen mintavételi pozíció
3. ábra. Szermaradékértékek a mezőgazdasági gyakorlat szerint kezelt területekről vett egyedi terményekben. (A szermaradékértékek meghatározása az egyedi egész terményből – pl. egy sárgarépa, uborka, szőlőfürt – történt). Mivel a vonatkozó szermaradék-határértékek a mintavételi szabvány (CAC 1999; EB 2002) szerint vett, több egyedi mintából álló összetett minták átlagos szermaradéktartalmára vonatkoznak, az alábbi kísérletek során az egyedi mintákból MS Excelmakró segítségével összetett mintákat generáltak (Ambrus 1996, 2000; Ambrus és Soboleva 2004). A mintaméretek megfeleltek a Codex- és az EU-előírásoknak. Az eredmények alapján a mintavételi bizonytalanságértékek relatív szórás (CV) értékben kifejezve:
18
1. Kis- és közepes méretű termények (mintavételi egység tömege ≤ 250 g, minimális mintaméret: 10 elemű összetett minta): 25% 2. Nagyméretű terményekre (mintavételi egység tömege > 250 g, minimális mintaméret: 5 elemű összetett minta): 33% 3. Káposztafélék esetén (mintavételi egység tömege > 250 g, minimális mintaméret: 5 elemű összetett minta): 20% A káposztafélékben mért alacsonyabb mintavételi bizonytalanságértékeket a növények egy síkban való elhelyezkedésével magyarázták, mely fán, illetve bokron növő
terményekkel
összehasonlítva
alacsonyabb
szermaradék-variabilitást
eredményezhet. Ugyanakkor hangsúlyozták az adatok korlátozott mennyiségét és azt, hogy gyökérzöldségek és kis levéllel rendelkező leveles zöldségek nem szerepeltek az adatok között. Ezért a Baseline projekt (EU 7. keretprogram) keretében célzott vizsgálatokat végeztek sárgarépa- és petrezselyem- termőterületeken. Az egyedi mintákban mért szermaradékértékeket (Farkas et al. 2013; Horváth et al. 2013) felhasználtam az elemzés során. 2.3.2 Szermaradékok eloszlása A gyümölcsökben és zöldségekben található növényvédőszer-maradékok jellemző eloszlását Horváth és munkatársai vizsgálták 20 különböző növényi termény és 46 növényvédőszer-hatóanyag kombinációt reprezentáló közel 19 ezer gyümölcs- és zöldségterményben, vagy egy szűk körzetből vett kisméretű gyümölcs (pl. cseresznye) elemi mintáiban (Horváth et al. 2013). Kutatásaim során a növényvédőszer-maradékok jellemző eloszlása alapján modelleztem a mintavételi bizonytalanságot és az azt befolyásoló tényezőket (pl. mintaméret, párhuzamos minták száma, vizsgálandó tételek száma), ezért az alábbiakban összefoglalom a fent említett tanulmány releváns részeit. Az egy területről vagy tételből vett egyedi minták szermaradékértékeiből számított relatív szórás (CVR) érték csupán egyetlen becslést ad a kezelt terményekre jellemző valódi szermaradék-variabilitásra. A legjobb becslést több kísérleti területről származó egyedi termények szermaradékértékeiből származó CVR értékek számtani átlaga adja. Az elemi minták átlagos relatív szórása közel 80%. Figyelembe kell venni, hogy 5-10 mintából álló összetett mintákból számított CVR értékek 5-23%-kal alábecslik
a
valójában
0,8-as
CV-jű
alapsokaságra
jellemző
kombinált
bizonytalanságot (Ambrus 2006; Horváth et al. 2013).
19
Ahhoz, hogy a becslések során a valós CVR értéket 2-3%-on belül megközelítő CVR értéket kapjunk, minimum 300 véletlen minta szükséges (4. ábra).
Relatív gyakoriság [%]
40 35
n=4
30
n=10 n=20
25
n=50
20
n=100
15
n=300
10 5 0 0
0,5
CVR
1
1,5
2
4. ábra. Szermaradékokból számított CVR értékek eloszlása szintetikusan generált lognormális eloszlású, 0,8-as átlagú alapsokaságból vett egyedi (n=1) és ’n’ elemű összetett mintákban (Horváth et al. 2013). A
gamma-,
lognormális
és
Weibull-eloszlás
alacsony
szermaradék-
koncentrációtartományban túlbecsülte a szermaradékok szintjét, a 98. percentilis felett pedig alábecsülte. A legjobb becslést a lognormális eloszlás adta, ezzel jellemezhető
legjobban
a
szermaradékok
eloszlása.
Az
alábecslés
annak
tulajdonítható, hogy magas koncentrációtartományban a szermaradékok rendkívül szórtak, a kísérleti eredmények eloszlása eltér a lognormálistól. Következésképpen a szintetikusan generált lognormális eloszlású alapsokaságból vett összetett minták szermaradék-variabilitása
alábecsült
érték,
szántóföldön
kezelt
termények
mintavétele során magasabb variabilitás várható. Az egy területről vett egyedi minták szermaradék-variabilitása 0,8-as CV értékű, lognormális eloszlású adatsorral, piaci minták esetén pedig 1,1-es CV értékű, lognormális eloszlású adasorral jellemezhető. A piaci mintákra jellemző nagyobb szermaradék-variabilitás,
összehasonlítva
a
kísérleti
területeken
tapasztalt
variabilitással, a permetlékijuttatás egyenetlenségéből, a permetezés során változó mikroklimatikus viszonyokból, a kezelt terület növényzetének inhomogenitásából, továbbá a különböző növényvédő szeres kezelést kapott tételek potenciális keveréséből adódhat. 1-es átlagú (µ) és 0,8-as CV-jű lognormális eloszlású adatsorból vett 5, 10, 25, 100, 120 és 300 elemű 1000 véletlen minta alapján megállapították, hogy az elemi és az összetett minták szermaradék-tartalma varianciájának az összefüggése (Snedecor és
20
Cochran 1980) a 2. egyenlettel jól leírható, és az egyenlet alkalmazható erősen nyújtott eloszlások, mint az egyedi mintákban mért növényvédőszer-maradékok területi eloszlása esetén is. 𝑉
𝑉𝑛 = 𝑛𝑖 ; Ahol
Vi
a
mintázott
𝐶𝑉𝑛 =
alapsokaságot
𝐶𝑉𝑖
(2)
√𝑛
alkotó
egyedi
minták
szermaradék-
koncentrációjának varianciája, Vn pedig az n elemi mintát tartalmazó összetett minták átlagos szermaradék-tartalmának varianciája. A különböző területekről származó terményekben mért szermaradékok eloszlásának hasonlóságát az 5. ábra szemlélteti. A szermaradékok jellemző eloszlása a növényvédő szer típusától független (Ambrus et al. 2014b).
Relatív gyakoriság [%]
25 20 15 10 5 0 0,5
1
1,5
Normalizált szermaradékértékek szamócában
Relatív gyakoriság [%]
12 10 8 6 4 2 0 0,4
0,9
1,4
1,9
Normalizált szermaradékértékek fejes káposztában
5. ábra. Normalizált szermaradék-adatsorok relatív gyakoriságértéke szamócában (6 növényvédő szer) és fejes káposztában (14 növényvédő szer) függetlenül kezelt területekről. Megjegyzés: Az ábrán a különböző jelölőpontok különböző hatóanyagot jelölnek. Normalizált szermaradékértékek: az egy adatsorba (alapsokaságba) tartozó egyedi szermaradékértékek elosztva az adatsor értékeinek átlagával.
21
2.4 Szermaradékértékek kombinált bizonytalansága A mért értékek random variabilitása, azaz a mérés bizonytalansága szórás (SD) vagy relatív szórás (CV) értékben van kifejezve. ̅ )2 ∑(Ri −R
SD = √
A−1
(3)
Ahol Ri egy mintában mért szermaradék-koncentráció, 𝑅̅ az összes minta szermaradék-koncentrációjának az átlaga, A pedig a mintaszám. A CV érték a szóródás egyik mérőszáma, az értékek szórását az értékek átlagához viszonyítja. CV =
SD ̅ R
(4)
Előnye, hogy összehasonlíthatóvá válik a mintákban különböző koncentrációban jelen levő mérendő anyagok eloszlása. A mért szermaradékértékek bizonytalansága (CVR) több tényezőből adódik (6. ábra):
a mintavétel bizonytalansága (CVS),
a nagyméretű ömlesztett laboratóriumi minta méretének csökkentése (CVSS), Megjegyzés: közepes- és kisméretű minta esetén a mintaméret-csökkentésből fakadó bizonytalansággal általában nem kell számolni.
a minta feldolgozása (CVSp), (a laboratóriumi minta aprítása, őrlése, azaz homogenizálása), A homogenizált mintából kerül elkülönítésre a tesztadag az extrakcióhoz.
az analízis véletlen hibája (CVA), mely a dúsított tesztadaggal végzett visszanyerési vizsgálatok során mért szermaradékértékből kerül kiszámításra (Ambrus 2004), A laboratóriumi fázis bizonytalansága (CVL) közvetlenül meghatározható az analitikai mintából ismételten kivett tesztadagok analízisével. Ebben az esetben a mintafeldolgozás és az analízis hatását, kombinált bizonytalanságát tükrözi. Nagyméretű mintáknál a mintaméret-csökkentés során nyert párhuzamos analitikai mintákból a homogenizálás után kivett tesztadagok vizsgálatával kapott eredményekből számított CVL magába foglalja a mintaméret-csökkentés, a mintafeldolgozás és az analízis bizonytalanságát is. A szakirodalom ugyanazt a jelölést (CVL) alkalmazza a két különböző tartalmú laboratóriumi mérés bizonytalanságának a kifejezésére. A CVL tartalmát a vizsgálati körülmények alapján lehet azonosítani.
22
6. ábra. A szermaradékérték meghatározásának lépései, valamint az egyes lépésekből fakadó kombinált bizonytalanságához hozzájáruló tényezők sematikus ábrázolása a mintavételtől a mintaanalízisig. A szermaradék-meghatározási folyamat elején a tételre jellemző szermaradéktartalom nem ismert (X mg/kg). A meghatározási folyamat végén mért szermaradékértéket (X4 mg/kg) a gyakorlatban befolyásoló jellemző bizonytalansági tényezők várható tartományából egy görögdinnyeminta vizsgálata során vett példákkal illusztrálva:
a mintavétel bizonytalansága miatt (n = 5 esetén CVS = 0,42; 16. táblázat) a laboratóriumi minta szermaradék-tartalma: X1=1,4*X;
a redukált minta szermaradék-tartalmára hatással van a mintaméretcsökkentés bizonytalansága (CVSS = 0,21; Omeroglu et al. 2013): X2=1,2*X1;
a
homogenizált
minta
szermaradék-tartalmára
hatással
van
a
mintafeldolgozás bizonytalansága (szerkísérletek esetén CVSp = 0,05; 3.2.2.1 fejezet): X3=0,95*X2;
23
a tesztadagban mért szermaradékérték koncentrációjára hatással van a visszanyerés és az azt jellemző analízis bizonytalansága (szerkísérletek esetén CVA = 0,086; 3.2.2.1 fejezet): X4=X3/0,91.
A
jelentett
szermaradék-tartalom
X4=X*1,4*1,2*0,95/0,91=1,75X.
a
fenti
Tekintve,
hogy
példa a
alapján
tesztadagban
tehát: jelenlévő
szermaradék-koncentrációt az egyes lépések véletlen hibájából adódó eltérések szorzataként kapjuk, ennek megfelelően a kombinált bizonytalanságot a hibaterjedés általános törvénye alapján, az egyes lépések relatív bizonytalanságából számítjuk (Ellison és Williams 2012; Miller és Miller 2010): 2 2 CVR = √CVS2 + CVSS + CVSp + CVA2
(5)
A folyamat végrehajtásától függően a komponensek részkomponensekre bonthatók. A fenti példa eredménye a kombinált bizonytalansággal együtt: 1,75X±1,75X*CVR; CVR = √(0,422+0,212+0,052+0,0862) = 0,48 (5. egyenlet alapján). Mivel a mintavétel és a laboratóriumi vizsgálat térben és időben általában elkülönül egymástól, célszerű a mért érték kombinált bizonytalanságát a mintavételre és a laboratóriumi vizsgálatra bontani. Amennyiben a mintaméret-csökkentés során nyert párhuzamos analitikai mintákból származó tesztadagok ismételt analíziséből számítjuk a laboratóriumi fázis bizonytalanságát (CVL), úgy az magában foglalja a mintaméret-csökkentés (CVSS) és a mintafeldolgozás (CVSp), valamint az analízis (CVA) bizonytalanságát is. Ilyen esetben az 5. egyenlet egyszerűbb formában adható meg: CVR = √CVS2 + CVL2 Az
egyes
komponensek
hozzájárulása
(6) a
mért
értékek
kombinált
bizonytalanságához változhat a minta méretétől; a mintaméret csökkentésére használt módszerek, illetve a mintafeldolgozás hatékonyságától; a felhasznált analitikai módszertől és a mintában található szermaradék koncentrációjától függően.
Optimális
feltételek
mellett
gyümölcsök
és
zöldségek
növényvédőszermaradék-analízise során a mintavétel átlagosan 71%-kal, a mintaméret-csökkentés 6%-kal, a mintafeldolgozás és az analízis 23%-kal járul hozzá a mért szermaradékértékek teljes variabilitásához (Ambrus et al. 2011).
24
Az
analízis
folyamata
is
komponenseire
bontható
(extrakció,
tisztítás,
származékképzés, kromatográfiás mennyiségi/minőségi meghatározás), erre azonban csak akkor van szükség, ha az analitikai mérés kombinált relatív bizonytalansága (CVA) magasabb, mint az elfogadható szint. Ilyen esetben a részfolyamatok külön elemzésével fény derülhet a variabilitás fő forrására (Ambrus 2011), és bizonyos esetekben lehetőség nyílik annak csökkentésre (Suszter et al. 2006). Az ISO 17025 szabvány 5.9.1 szakaszában előírt ismételt vizsgálatokkal (MSZ EN ISO/IEC 2006) könnyen meghatározható, és szükség esetén ellenőrizhető a laboratóriumi műveletek reprodukálhatóságát jellemző CVL érték. A CVL érték meghatározása érdekében a mintaméret-csökkentés során kapott részmintákat különkülön homogenizáljuk és párhuzamos analitikai mintákat készítünk. Az egyes analitikai mintákból az analitikai és ismételt vizsgálatokhoz szükséges tesztadagokat elkülönítjük, és a további vizsgálatokig mélyhűtőben tároljuk. Az ismételt vizsgálatra eltett tesztadagokat az első vizsgálattal egyidőben, vagy azt követően néhány nappal vagy héttel később analizáljuk. Az ismételt vizsgálatokat célszerűen az alkalmazott több
komponens
sokkomponenses
(hatóanyag) (multi-residue)
meghatározására módszerrel
jól
szolgáló,
úgynevezett
mérhető
(különböző)
szermaradékokat tartalmazó mintákkal végezzük el. Az ismételhetőség és a reprodukálhatóság számítása – az ismételhetőséget illetve reprodukálhatóságot tükröző eredmények figyelembevételével – azonos módon történik. Kettő-tíz ismételt vizsgálatból származó adatpár esetén az ún. „terjedelem (range) statisztikát” használjuk a szórás számítására (Anderson 1987).
A terjedelem
statisztika lehetővé teszi a sztenderd deviáció, illetve a relatív sztenderd deviáció közelítő, egyszerű számítását olyan esetekben, amikor csak a minimum-, a maximum- és az átlagértékek állnak rendelkezésre. ∑∆
CVL = ( n ) /d2
(7)
ahol a d2 értékei 2; 3; 4; 5; 6; 7; 8; 9; 10 párhuzamosan vizsgált minta esetén rendre 1,128; 1,693; 2,059; 2,326; 2,534; 2,704; 2,847; 2,970; 3,078 (ISO 1991), n pedig az ismételt vizsgálatok száma. Nagyobb számú ismételt vizsgálat esetén pedig: 2 ∑n i=1 ∆
CVL = √ ahol ∆=
|𝑅1 −𝑅2 | 𝑅̅
2n
(8)
a két párhuzamos vizsgálatból származó szermaradékértékek relatív
különbsége.
25
A 7. és 8. egyenlet csak akkor ad helyes eredményt, ha feltételezhető, hogy a vizsgálatok eredményét csak véletlen hibák befolyásolják, ezért célszerű az első vizsgálat és a további vizsgálatok közötti összefüggést tanulmányozni. Ha például a később végzett vizsgálatok eredményei szignifikánsan alacsonyabbak, a szermaradék valószínűleg bomlik a tárolás során. Ha magasabbak, akkor a hibát a minta koncentrálódása okozhatja. A kalibráló sztenderd sorozat koncentrációváltozása is okozhatja a különbségeket. 2.4.1 A mintavétel bizonytalansága Egy termény szermaradék-tartalmának meghatározása céljából történő mintavétel során kis mennyiségű mintát veszünk jóval nagyobb mennyiségű anyagból. Ideális helyzetben ennek a kis résznek az összetétele megegyezik az egész mennyiségre jellemző összetétellel, de ez a gyakorlatban csak homogén anyagok esetén valósul meg. Az egyedi terményekben a fentebb részletezett okok következtében a szermaradék-koncentráció tág határok között változhat. Emiatt a szabvány mintavételi eljárások (CAC 1999; EB 2002) szerint vett 5, illetve 10 elemi mintából álló laboratóriumi vizsgálatra kerülő összetett minták szermaradék-tartalma jelentős variabilitást mutat. Ezt a variabilitást az ismételten, azonos tételből vett minták átlagos növényvédőszer-maradék koncentrációjának szórásával jellemezhetjük, ami a mintavétel bizonytalanságát (és nem a hibáját) és az analitikai vizsgálat bizonytalanságát együtt jelzi. Annak érdekében, hogy megfelelő döntés születhessen a termék megfelelőségével kapcsolatban, a szermaradékértékek végleges felhasználóinak, a döntéshozóknak rendelkezniük kell az összes bizonytalanságot eredményező információval, a mintavétel bizonytalanságát is beleértve, ami befolyásolhatja az eredmény értékelését. 2.4.1.1 Módszerek a mintavétel bizonytalanságának becslésére A mintavétel bizonytalanságára az analitikusok sokáig kevés figyelmet fordítottak. Sokkal nagyobb hangsúlyt fektettek a mérés analitikai fázisaiból származó bizonytalanságaira, mely utóbbi széles körben kutatott terület volt. Mára azonban közismertté vált, hogy a mért érték bizonytalanságához legnagyobb mértékben a mintavétel bizonytalansága járul hozzá (Ambrus 1979, 1996, 2000, Harris 2000; Lyn et al. 2002; Lyn et al. 2003; Lyn et al. 2007a). Miután felismerték ennek a fontosságát, megkezdődött a mintavételi útmutatók és protokollok (CAC 1999, 2004;
26
ISO 2003; OECD 2009), valamint a mintavétel bizonytalanságának becslésére és vizsgálatára irányuló módszerek kifejlesztése. Két fő megközelítés létezik a mintavétel bizonytalanságának becslésére. Az egyik az empirikus módszer, amely számítógépes modellezéssel végzett véletlen mintavételen alapszik elemi mintákból származó szermaradékértékeket tartalmazó alapsokaságból. A másik az úgynevezett ismétléses módszer, amely ismételt mintavételen és a minták ismételt analízisén alapul. Az empirikus módszert először a gyümölcsökben (Ambrus 1979, 2000, 2006; Ambrus és Soboleva 2004), illetve a talajban (Taylor et al. 1985; Kratochvil 1985) található
szermaradékok
eloszlásának
meghatározására
használták.
Véletlen
visszatevéses mintavétel alkalmazásával meghatározták az elemi mintákban mért szermaradékértékekből generált különböző számú elemi mintát tartalmazó összetett minták szermaradék-tartalmát. A tanulmányok alapján (Ambrus 1996) a tipikus mintavételi bizonytalanságértékek CV-ben kifejezve 25 elemű összetett minták esetén 0,16-0,20; 10 elemű összetett minták esetén 0,25-0,30; 5 elemű összetett minták esetén 0,37-0,40. Az ismétléses módszert az Eurachem-EUROLAB-CITAC-Nordtest Mintavételi Bizonytalanság Munkacsoport dolgozta ki és egy útmutató (Ramsey és Ellison 2007), valamint egy átfogó publikáció (Ramsey és Thompson 2007) formájában adta közre. Ezen túlmenően a Nordtest által kidolgozott mintavétel tervezéséhez készült kézikönyv (Grøn et al. 2007) is ugyanezeket az elveket követi, mely inkább a gyakorlati oldalról közelíti meg a témát. Az ismételt mintavételen alapuló módszer széles körben alkalmazott (Kuselman 2008; Lyn et al. 2007b; Lyn et al. 2007c; Reiter et al. 2011). Az útmutató (Ramsey és Ellison 2007) legalább 8 mintázandó egységből minimum két ismételt (duplikált) minta vételét javasolja, ezt Lyn és munkatársai is megerősítik, akik bizonyították, hogy duplikált mintavétel során minimum 8 különböző tétel (mintavételi egység) szükséges ahhoz, hogy a kapott mintavételi
bizonytalanságértékek elfogadható
megbízhatósági
szinten belül
legyenek (Grøn et al. 2007). 2.4.2 Laboratóriumi minták kezelésének hatása a mérés bizonytalanságára 2.4.2.1 Lehetséges hibaforrások Elsődlegesen az okozhat problémát, ha nem a véletlen mintavétel elvének megfelelő gyakorlat szerint történik a mintavétel. Például nem minden elemi egység kerülhet egyenlő valószínűséggel a mintába, nem megfelelő a mintavételi eszköz stb. 27
A növényvédőszer-maradékok koncentrációja változhat a minták laboratóriumba szállítása, az analízis előtti tárolása, a mintaelőkészítés és a mintafeldolgozás, az analitikai sztenderd oldatok tárolása, valamint az extrakció, a tisztítás és a műszeres analízis során. Annak érdekében, hogy elkerüljük a veszteséget szállítás és tárolás során, a mintavétel és a laboratóriumba történő szállítás között a lehető legkevesebb idő kell, hogy elteljen. A mintákat megfelelően kell csomagolni és hűvös helyen tárolni, pl. szárazjéggel körülvenni. Azokat a mintákat, amelyek nem mélyhűtött állapotban érkeznek a laboratóriumba, haladéktalanul elő kell készíteni és a feldolgozásig mélyhűtőbe helyezni -20 oC hőmérséklet alá. Míg a szobahőmérsékleten történő aprítás szignifikáns szermaradék-veszteséget okozhat, addig a szárazjeges, ún. kriogén aprítás során a veszteség elhanyagolható szintig csökkenhet a vizsgált komponens-termény kombinációjától függően (Alder et al. 2000; El-Bidaoui et al. 2000; Fussell et al. 2002; Fussell et al. 2007a; Hill et al. 2000). A szermaradék-veszteség mértéke terményenként változó. Maestroni és munkatársai (Maestroni et al. 2000a), valamint Fussell és munkatársai (Fussell et al. 2007b) a növényvédőszer-maradékok homogenizálása hatékonyságának termények közötti eltéréseit vizsgálta. Azonos variabilitást az analitikai tesztadagok szermaradék-tartalma között szobahőmérsékleten 110 g, szárazjeges kriogén feldolgozás mellett 5 g tömegű paradicsommintával tudtak elérni, míg narancs esetén mindkét módszerhez 5 g elegendő volt. A mintamátrix fizikai tulajdonságai, a termény szövetszerkezete jelentősen befolyásolják a homogenizálás hatásfokát (Ambrus et al. 2016; Tiryaki és Baysoyu 2006). A laboratóriumi minta azon része, amelyet homogenizálás után analizálnak, elkülönítésre kerül a minta többi részétől. Ez a művelet például a leveles zöldségek fonnyadt külső leveleinek eltávolítását, a gyökérzöldségekhez tapadt föld lemosását, az őszibarack, a mangó magjának, illetve egyéb idegen anyagok eltávolítását foglalja magában. A művelet helyes végrehajtása nagyon fontos, jelentősen befolyásolhatja a mért szermaradékszintet, és torzított eredményt okozhat. A Codex és JMPR nevezéktan alapján a fenti műveleteket mintaelőkészítésnek nevezik (6. ábra). Egyértelműen elkülönítendő a mintafeldolgozás műveleteitől, ami az analizálandó minta aprítása annak érdekében, hogy statisztikailag megfelelően kevert, ún. homogén mátrixot kapjunk, melyből elkülönítésre kerül a tesztadag az extrakcióhoz, illetve az extrakt további analíziséhez. A Codex 1993-as útmutatója (CAC 2010) és annak átdolgozott változata (CCPR Reports 2010-2017) részletes utasításokat
28
tartalmaz a mintaelőkészítésre, valamint a határértékmegfelelőség-ellenőrzés céljából vizsgált mintarészre vonatkozóan. 2.4.2.2 Szermaradék-variabilitás feldolgozott mintákban A laboratóriumi mintát alkotó elemi minták közötti szermaradék-variabilitás (disztribúciós heterogenitás, DH) és az egyedi terményeken belüli szermaradékvariabilitás
(kompozíciós
heterogenitás,
CH;
pl.
különböző
szermaradék-
koncentráció a gyümölcs héjában és a gyümölcshúsban vagy a káposzta-, salátafélék külső és belső leveleiben) a felaprított laboratóriumi mintából homogenizálást követően
vett
tesztadagokban
elkerülhetetlen
eltérést
eredményez
átlagos
szermaradékérték tekintetében (Gy 1998). Ezen túl a nagyméretű termények (pl. görögdinnye)
almintákra
darabolása
tovább
növeli
a
tesztadagok
átlagos
szermaradék-variabilitását. A mintafeldolgozást úgy kell megtervezni, hogy ne okozzon változást a vizsgált komponens koncentrációjában (SANTE 2015). A méretcsökkentést úgy kell elvégezni, hogy a minta elemi egységeiből lehetőleg arányos tömegű cikkeket (gerezdeket) vágunk ki úgy, hogy az elemi egységeket alkotó termények közel egyenlő mértékben kerüljenek a csökkentett tömegű laboratóriumi mintába. Így nagyjából megmarad az eredeti terményt jellemző tömeg/felület arány. A 7. és 8. ábra a helyes mintaméret-csökkentést ábrázolja (Farkas et al. 2017). Omeroglu és munkatársai (2013) tanulmányozták a nagyméretű termények méretcsökkentéséből fakadó bizonytalanságot. Az eredmények alapján a mintaméretcsökkentés
szignifikáns
alkotója
a
szermaradékértékek
kombinált
bizonytalanságának – még helyes kivitelezés esetén is –, ezért nem szabad elhanyagolni. A feldolgozott laboratóriumi minta homogenitásának megítélésére az Ingamells és Switzer által kidolgozott mintavételi konstans (𝐾𝑠𝑝 ) használható (Ambrus et al. 1996; Maestroni et al. 2000a; Tiryaki és Baysoyu 2006). 2 K Sp = mTp × CVSp
(9)
Ahol mTp a homogenizált mintából extrakcióra kivett tesztadag tömege, CVSp pedig az ismételten kivett tesztadagokban mért szermaradék-koncentráció relatív szórása. Jól kevert anyag esetén 𝐾𝑠𝑝 változatlan kis- (msm) és nagytömegű (mlg) tesztadagok esetén: 2 mlg × CVlg2 = msm × CVsm (10) 2 2 slg = ssm ×
msm mlg
(11)
29
7. ábra: Reprezentatív mintaszegmensek vágása nagyméretű terményekből.
8. ábra. Szegmensek vágása nagyméretű gyümölcsökből. Fent: jákafa gyümölcse, 16,5 kg, lent: papaja, 2,75 kg. Az ilyen típusú gyümölcsöket 12 hosszanti szegmensre kell vágni, hogy aprítógépben mixelhető részeket kapjunk. Minden gyümölcsből egy rész kerül további feldolgozásra. Az aprított laboratóriumi minta homogenitása igazolható kis- és nagytömegű tesztadagok ismételt analízisével (mlg ≥ 10 msm). Mivel az slg és ssm meghatározása viszonylag pontatlan, Wallace és Kratochwill (1987) az F-próbát javasolja 90%-os vagy alacsonyabb konfidenciaszinten a nullhipotézis tesztelésére, azaz annak megállapítására, hogy a 10. egyenlet két oldala nem különbözik. Amennyiben a teszt alapján a különbség nem szignifikáns, az aprított minta statisztikailag jól kevertnek minősül. Statisztikailag jól kevert minta esetén a mintafeldolgozás bizonytalansága kiszámítható a kezelt terményekből megfelelő mintafeldolgozási módszerrel vett
30
tesztadagok ismételt (≥7) vizsgálatából számított CVL és a párhuzamosan végzett visszanyeréses vizsgálatokból számított CVA értékekből. CVSp = √CVL2 − CVA2
(12)
A mintavétel alapvető hibája Minkkinen (2004) megfogalmazásában az ideális mintavételi eljárás során fellépő minimális hiba. Az alapvető mintavételi hiba nem szüntethető meg, az anyagot alkotó elemek velejáró tulajdonsága. Ilyen például a kompozíciós heterogenitás, mely csökkenthető, de teljesen nem eliminálható. A mintafeldolgozás hibája csökkenthető Pierre Gy elmélete alapján (Gy 1998). Az egyenlet szerint a szermaradékok variabilitása a tesztadagokban fordítottan arányos a tesztadag tömegének négyzetgyökével és arányos a homogenizált mintamátrix legnagyobb
részecskéje
átmérőjének
harmadik
hatványával.
Az
egyenlet,
amennyiben a laboratóriumi minta tömege jóval nagyobb, mint a tesztadag tömege (mTp): Cd3
2
CVSp= √m
Tp
(13)
Az egyenletben C a vizsgált komponens-termény kombinációra jellemző mintavételi konstans, d pedig a legnagyobb részecskék átmérője (egészen pontosan az összes részecske átmérőjének 95. percentilise az elegyített mintamátrixban). Az egyenlet Ingamells és Switzer mintavételi konstansával (KSp) kifejezve, mely magában foglalja a Cd3 értékét: 2
KSp
CVSp = √m
Tp
(14)
A mintafeldolgozás hibája az összefüggés alapján csökkenthető tehát a minta tömegének
növelésével
és/vagy
a
részecskék
méretének
csökkentésével.
Laboratóriumi minta esetén kisebb mintamennyiség is reprezentálhatja a minta összetételét, amennyiben a részecskeméret-csökkentés reprezentatívan megoldható. Ezt az elvet alkalmazzák a laboratóriumok a minták őrlése, zúzása, aprítása során, mellyel nagyon kis méretű tesztadag készül. Gy elmélete alapján tehát a tesztadagok variabilitása nem csupán a tesztadag tömegétől függ, hanem a legnagyobb részecskék átmérőjétől is (13. és 14. egyenlet). Lehotay és munkatársai (2015) közleménye alapján cryomilling technikával 0,05-0,2 g tesztadag analízise során ugyanolyan CVL érték érhető el, mint az általános laboratóriumi gyakorlat szerint feldolgozott 2,5-5 g tesztadag analízisével. Gy egyenlete (13. és 14. egyenlet) elvben jól leírja a mintavétel alapvető hibáját befolyásoló tényezőket, ugyanakkor csak olyan esetekben alkalmazható, amikor a
31
laboratóriumi mintát alkotó részecskék nagyon hasonlóak méret, alak és összetétel tekintetében. A növényi minták, élelmiszerek homogenizálása során különböző alakú és méretű részecskék keletkeznek, a C konstans előre nem megjósolható módon változik, ezért a 13. egyenlet ilyen esetben nem alkalmazható. A mintafeldolgozás hatékonyságát a laboratórium belső minőségbiztosítási programja keretében végrehajtott, 2.4 fejezetben leírtak szerinti ismételt tesztadagvizsgálattal lehet megbízhatóan meghatározni. 2.4.2.3 A vizsgált mintákban mért szermaradékértékek bizonytalansága és helyessége A növényvédőszer-maradékok meghatározásának bizonytalansága a tesztadagokban az alkalmazott módszertől függ. A CAC 59-2006 útmutatója (CAC 2006) részletes listát tartalmaz a mintafeldolgozás során fellépő szisztematikus és véletlen hibák forrásairól. A módszer alkalmasságát adott cél esetén a validálása során meghatározott teljesítmény paraméterei alapján ítélik meg (OECD 2007). Az extrakciós hatékonyság a módszer teljesítményre vonatkozó jellemzőinek kulcsfontosságú eleme, mivel szignifikánsan befolyásolhatja az analitikai eredmény pontosságát. A rossz extrakciós hatékonyság a módszer alkalmazása során a torzítás fő forrása lehet (Ambrus 2016). Az extrakció hatékonyságának igazolását követően a pontosság és a helyesség célszerűen ≥ 10 ismételt visszanyeréses vizsgálattal meghatározható, melyet elvégeznek a módszerrel vizsgálandó összes komponenssel és olyan reprezentatív terményekkel, amelyek nem tartalmazzák a vizsgálandó komponenst kimutatható mennyiségben (vakminta). Amennyiben vakminta nem elérhető, a visszanyeréses vizsgálatokat
alaposan
homogenizált,
a
vizsgált
komponens(eke)t
ismert
koncentrációban tartalmazó mintával is el lehet végezni. A tesztadagok dúsíthatók növényvédő szeres analitikai sztenderdek keverékével, melyekben a hatóanyagok jól elválaszthatóak,
és
mennyiségileg
meghatározhatók
az
elérhető
műszerek
segítségével. Visszanyerés: Az analitikai minta vizsgálatra kerülő részében (tesztadag) jelen levő, vagy dúsítás során hozzáadott vizsgálandó komponens mennyiségének aránya, mely az extrakciót követően mérhető (Thompson et al. 1999). A validálási adatok felhasználására a bizonytalanság becsléshez Barwick és Ellison részletes útmutatót készített (Barwick és Ellison 2000).
32
2.4.2.4
A
laboratóriumi
fázis
bizonytalanságának
figyelembevétele
a
növényvédőszer-maradékok meghatározása során Annak ellenére, hogy a mintaméret-csökkentés és a mintahomogenizálás bizonytalansága együtt akár a mintavétel bizonytalanságának nagyságát is elérheti (Maestroni et al. 2000b; Omeroglu et al. 2013), a laboratóriumok általában kevés figyelmet fordítanak e két lépés variabilitásának csökkentésére. A mérések ismételhetőségét és reprodukálhatóságát általában a visszanyeréses vizsgálatok alapján jelentik (CAC 2006; CEN 2008; Cuadros-Rodríguez et al. 2002; da Silva et al. 2000; Thompson et al. 1999). A CVL meghatározása különösen fontos olyan esetekben, amikor 1-2 g tesztadagot analizálnak az analitikai mintából, aminek a tömege kis-, közepes méretű gyümölcsök esetén 1 és 5 kg közé esik, nagyméretű gyümölcsök (pl. görögdinnye) esetén pedig > 25 kg is lehet. A laboratórumi minta tömegéhez képest nagyon kis tömegű tesztadag (1-5 g) feldolgozása még statisztikailag jól kevert minták esetén is a tesztadag tömegének négyzetgyökével közelítőleg fordított arányban növeli az analízis eredményének bizonytalanságát (Ambrus et al. 2011). Nem hagyható figyelmen kívül továbbá, hogy a minta aprítására alkalmazott berendezések hatékonysága, a mintahomogenizálás módszere és a feldolgozott minta fizikai állaga igen jelentősen befolyásolja az aprított minta részecskeeloszlását és annak következtében a homogenizálási lépés véletlen hibáját (Maestroni et al. 2000a; Maestroni et al. 2000b; Suszter et al. 2006). A homogenizálás első néhány percében bekövetkező szermaradékbomlás pedig igen jelentős, a körülményektől függően változó, rendszeres hibát okozhat (Fussell et al. 2007b). Ezért a CVL érték meghatározása minden laboratórium saját feladata kellene, hogy legyen, a rutineljárások részét képezve. Az ismételt tesztadagvizsgálatokat – mint az egyik legerősebb belső minőségbiztosítási eljárást – célszerű analitikai sorozatonként a vizsgálati programba iktatni (Ambrus 2004). Alternatív lehetőség a Maestroni és munkatársai által javasolt felületkezeléses módszer (Maestroni et al. 2000a; Maestroni et al. 2000b), melyet sikeresen alkalmaztak egyéb kísérletek során (Fussell et al. 2007b; Tiryaki és Baysoyu 2006). Megjegyzendő, hogy az egyszerű, az elkülönített tesztadaghoz az extrakció előtt hozzáadott sztenderdekkel végzett visszanyeréses vizsgálatok nem szolgálnak információval a mintafeldolgozás hatékonyságáról, illetve ennek CV L-re gyakorolt hatásáról. Továbbá mind a széleskörű validálási vizsgálatok, mind a körvizsgálatok csupán a CVA értékről nyújtanak információt (a CVL-ről nem), az ugyanis vagy a 33
vizsgálandó
tesztadaghoz
adott
ismert
mennyiségű
sztenderd
mennyiségi
meghatározásán alapul, vagy pedig ellenőrzött homogenitású vizsgálati anyagból veszik ki a tesztadagot. 2.5 Élelmiszerek szermaradék-tartalmának ellenőrzése A megfelelőség-értékelés általános alapelveit a Metrológiai Szakbizottság által készített útmutató (JCGM 2012) tartalmazza. A 9. ábra szemlélteti az alap szituációt. 1. Érvényes elutasítás 2. Téves elutasítás? 3. Téves elfogadás?
MRL
4. Érvényes elfogadás
9. ábra. Egy tétel elfogadásának és elutasításának illusztrációja a mért szermaradékérték (R, az ábrán kék pontként jelölve), valamint a kombinált, kiterjesztett bizonytalanság (U, az ábrán a függőleges vonalak) alapján. 1. eset: az analitikai eredmény és a kiterjesztett mérési bizonytalanság különbségének értéke meghaladja a maximálisan engedélyezett szintet. Az eredmények alapján a vizsgálandó komponens koncentrációja a mintában nem felel meg az előírásoknak. 2. eset: az analitikai eredmény a kiterjesztett mérési bizonytalanságnál kisebb mértékben lépi túl a maximálisan engedélyezett szintet. 3. eset: az analitikai eredmény csak a kiterjesztett mérési bizonytalansággal együtt lépi túl a maximálisan engedélyezett szintet. 4. eset: Az analitikai eredmény a kiterjesztett mérési bizonytalansággal együtt sem lépi át a maximálisan engedélyezett szintet. A terméket visszautasítják, amennyiben R-U > MRL, és elfogadják, amennyiben R+U' ≤ MRL. A probléma az, hogy a megfelelőségi értékelésről szóló, JCGM által kiadott útmutató dokumentum nem adja meg, milyen bizonytalanságot és elfogadható százalékos nemmegfelelőségi szintet kell figyelembe venni, ami gyakran vezet vitához az eladók és a vásárlók között. A kereskedelmi partnereknek érdemes előre megegyezniük az ezzel kapcsolatos kérdésekben. 34
Megjegyzendő ugyanakkor, hogy termelői oldalról az önellenőrzés során a helyes gyakorlat alapján a mintavétel bizonytalanságát is figyelembe kell venni (U’), nem csupán a mérés bizonytalanságát. A növényvédőszermaradék-határértékek a meghatározott tömegű és elemszámú (CAC 1999; EB 2002), a termények megfelelő részéből vett minta (ISO 1986) szermaradék-koncentrációjára vonatkoznak abban az időpillanatban, amikor a terményt először értékesítésre kínálják. A definícióból következik, hogy hatósági ellenőrzés során minden egyes véletlenszerűen kiválasztott, szabvány szerint vett összetett minta átlagos szermaradék-tartalma meg kell, hogy feleljen az MRL-nek. Mielőtt viszont a termény piacra vagy exportálásra kerül, a termelőnek arról kell meggyőződnie, hogy az egész tétel, vagy a tétel nagy százalékából vett összetett minta a határérték alatti átlagos szermaradék-koncentrációval rendelkezik.
35
3. ANYAG ÉS MÓDSZER A modellezések során felhasznált adatbázisokat az M2. számú melléklet foglalja össze a könnyebb áttekinthetőség céljából. 3.1 Mintavételi bizonytalanság becslése a termőterületen vett elemi sárgarépaés petrezselyemlevél-mintákból 3.1.1 Felhasznált adatbázis A szántóföldi kísérletek helyszíneit Magyarország tipikusan növénytermesztésre használt területeiről választották ki. A minták 8-8 átlagos, 2,5-12 hektár méretű sárgarépa-
és
petrezselyemültetvényről
származtak.
A
földművelési
és
a
növényvédelmi munkálatokat az ültetvények tulajdonosai végezték az általános mezőgazdasági gyakorlat szerint; szakértő segítette őket a módszerek helyes kivitelezésében.
Az
alkalmazott
készítmények
a
kezelés
időpontjában
Magyarországon engedélyezettek voltak. A növényeken egymástól független, legtöbb esetben egy hatóanyagot tartalmazó növényvédő szeres kezeléseket végeztek különböző időpontokban. Ennek következtében az egy területről vett elemi mintákban mért szermaradékértékek reprezentálják az alkalmazás körülményeiből és a módszerekből fakadó variabilitást, de egyéb, potenciális befolyásoló tényezők, mint például az időjárás, talajjellemzők stb. hatásait nem. A növényeket 3x2-es sorokat tartalmazó ágyásokban termesztették. A véletlenszámgenerátorral meghatározott koordináták alapján kiválasztott mintavételi helyekről, vagy azok közvetlen környezetéből összesen 130-130 egészséges, jól fejlett sárgarépa- és petrezselyemmintát vettek. Egy sárgarépagyökér és egy marék petrezselyemlevél alkotott egy elemi mintát, melyek 3 sárgarépa- és 3 petrezselyemültetvényről származtak (Farkas et al. 2014). A mintavétel elmélete alapján a véletlen minták kellően reprezentálják a területet. A binomiális eloszlás összefüggése (1. egyenlet) alapján az elemi minták szermaradéktartalmának 98. percentilise felett 120 minta esetén legalább 1 magasabb érték fordul elő az esetek 91%-ában, 100 mintánál az esetek 87%-ában, a minták tehát nagy valószínűséggel (87-91%) lefedik az előforduló szermaradékértékeket.
36
3.1.2 Mintaanalízis A növényvédőszer-maradékokat 120-120 sárgarépa-, és petrezselyemmintában analizálták. A további 10 minta tartalék volt, de nem volt szükség az analízisükre. A szermaradékokat gázkromatográffal
„QuEChERS” kapcsolt
módszerrel,
folyadékkromatográffal,
tömegspektrométerrel
(LC-MS/MS,
illetve
GC-MS/MS)
detektálták (CEN 2008). Nem volt szignifikáns különbség az átlagos visszanyerések között az ANOVA-teszt alapján (P = 0,623), és a varianciák között a Cochran-teszt alapján (P = 0,05) a különböző hozzáadási szinteken. Mivel minden visszanyerési szinten azonos számú mérést végeztek, az analízis relatív szórását, a tipikus CVA értéket a visszanyeréses vizsgálatok értékeinek átlagos varianciájából számított szórás- és átlagos visszanyerésértékei adták. A különböző hozzáadási szinteken végzett visszanyerések átlagaiból számított tipikus visszanyerésértékek sárgarépa esetén 90,4%, petrezselyem esetén 91,4% voltak. A tipikus CVA értékek sárgarépa esetén 7,83%, petrezselyem esetén 9,61%. A minták analízisével párhuzamosan végzett visszanyeréses vizsgálatok eredményei összegezve az 1. táblázatban láthatók. 1. táblázat. A vizsgált komponensek átlagos visszanyerés- és CVA (%) értékei.
Sárgarépa1
Petrezselyem2
Hozzáadási szint (mg/kg) 0,005 0,01 0,05 Átlag 0,005 0,01 0,1 Átlag
Átlagos visszanyerés 0,93 0,93 0,86 0,904 0,94 0,99 0,81 0,914
CVA% 7,90 8,33 7,25 7,83 11,41 9,63 7,80 9,61
A sárgarépa kezelésére alkalmazott növényvédőszer-hatóanyagok: alfa-cipermetrin, azoxistrobin, ciprokonazol, dimetoát, eszfenvalerát, fluorkloridon, lambda-cihalotrin, linuron, teflutrin és trifloxistrobin 2 A petrezselyem kezelésére alkalmazott növényvédőszer-hatóanyagok: azoxistrobin, difenokonazol, fluorkloridon, hexakonazol, linuron and metolaklór 1
A laboratóriumi fázis bizonytalanságát (CVL) a homogenizált mintából kivett 15 g-os tesztadagok ismételt vizsgálati eredményeinek átlagaként a terjedelem statisztika alapján számítottam (7. egyenlet) (Anderson 1987). Két analitikai mintáról lévén szó, az osztó 1,128 volt minden esetben: ∑∆
CVL = ( n ) /1,128
(15)
37
ahol ∆=
|𝑅1 −𝑅2 | , 𝑅̅
R1 és R2 a kivett tesztadagok analízisének eredményei, n pedig a
különböző napokon analizált tesztadagok száma. A CVL érték ebben az esetben magában foglalja a laboratóriumi minta homogenizálásából és az analízisből származó bizonytalanságokat. Az ismételten analizált tesztadagok száma 8 és 24 között volt. A tipikus CVL értékek 0,07-0,21 közé estek, az értékeket a 2. és 3. táblázat tartalmazza. 2. táblázat. Elemi sárgarépamintákban mért szermaradékértékek alap statisztikai jellemzői. Ültetvény 1 1 3 3 3 3 8 8 8 8
Növényvédő szer Azoxistrobin Linuron Azoxistrobin Ciprokonazol Teflutrin Trifloxistrobin Azoxistrobin Ciprokonazol Linuron Teflutrin
Elemi minták száma1 119 119 120 120 120 119 120 120 106 120 Átlag
Szermaradék (mg/kg) Min
Átlag
Max
0,031 0,013 0,028 0,055 0,0035 0,0041 0,0045 0,0029 0,0012 0,012
0,072 0,082 0,082 0,17 0,034 0,020 0,013 0,012 0,017 0,15
0,16 0,21 0,15 0,37 0,14 0,13 0,027 0,028 0,090 0,74
CVL
CVR
CVS
0,10 0,14 0,10 0,07 0,20 0,05 0,14 0,07 0,14 0,2 0,12
0,35 0,48 0,33 0,36 0,91 0,98 0,37 0,48 0,99 0,74 0,598
0,33 0,46 0,31 0,35 0,89 0,98 0,34 0,48 0,99 0,71 0,584
A ≥0,001 mg/kg (LOQ) szermaradékértéket tartalmazó minták száma. A szermaradékértékek kerekítve szerepelnek a táblázatban. 1
3. táblázat. Elemi petrezselyemmintákban mért szermaradékértékek alap statisztikai jellemzői. Ültetvény 1 1 2 2 2 2 3 3
Növényvédő szer Azoxistrobin Difenokonazol Azoxistrobin Difenokonazol Linuron Metolaklór Azoxistrobin Difenokonazol
Elemi minták száma1 120 120 120 120 120 120 119 120 Átlag
Szermaradék (mg/kg) Min
Átlag
Max
0,0047 0,033 0,0096 0,054 0,034 0,0012 0,0010 0,0010
0,015 0,113 0,024 0,13 0,068 0,0048 0,0027 0,012
0,051 0,24 0,078 0,38 0,14 0,0086 0,029 0,17
CVL
CVR
CVS
0,17 0,21 0,17 0,21 0,21 0,24 0,17 0,21 0,199
0,47 0,36 0,47 0,39 0,43 0,31 1,35 1,64 0,678
0,43 0,3 0,44 0,33 0,17 0,19 1,33 1,62 0,601
A ≥ 0,001 mg/kg (LOQ) szermaradékértéket tartalmazó minták száma. A szermaradékértékek kerekítve szerepelnek a táblázatban. 1
Jól definiálható és reprodukálható csúcsok voltak megfigyelhetők 0,0015 és 0,28 mg/kg közötti szermaradékot tartalmazó sárgarépa-, és 0,0011 és 0,20 mg/kg közötti szermaradékot tartalmazó petrezselyemminták tesztadagjainak analízise során. Ezért az LOQ-t 0,001 mg/kg értékben határozták meg. 38
A 10. és 11. ábra néhány példát mutat az egyedi terményekben mért szermaradékértékek nagymértékű variabilitására.
Szermaradék [mg/kg]
Azoxistrobin 0,20 0,15 0,10 0,05 0,00 1
11
21
31
41
51
61
71
81
91
101 111
81
91
101 111
81
91
101 111
Mintavételi pozíció
Linuron Szermaradék [mg/kg]
0,25 0,20 0,15 0,10 0,05 0,00 1
11
21
31
41
51
61
71
Mintavételi pozíció
Ciprokonazol Szermaradék [mg/kg]
0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 1
11
21
31
41
51
61
71
Mintavételi pozíció
10. ábra. Példák az 1C sárgarépaültetvényről származó mintákban mért szermaradékértékek variabilitására.
39
Azoxistrobin Szermaradék [µg/kg]
60,0 50,0 40,0 30,0 20,0 10,0 0,0 1
11
21
31
41
51
61
71
81
91
101 111
81
91 101 111
81
91
Mintavételi pozíció
Difenokonazol Szermadadék [µg/kg]
300,0 250,0 200,0 150,0 100,0 50,0 0,0 1
11
21
31
41
51
61
71
Mintavételi pozíció
Metolaklór Szermaradék [µg/kg]
12,0 10,0 8,0 6,0 4,0 2,0 0,0 1
11
21
31
41
51
61
71
101 111
Mintavételi pozíció
11. ábra. Példák az 1P petrezselyemültetvényről származó mintákban mért szermaradékértékek variabilitására.
40
3.1.3 Módszerek a mintavételi bizonytalanság becslésére elemi minták alapján A mintavétel bizonytalanságának becsléséhez az LOQ feletti szermaradékértékeket használtam fel. A mintavétel bizonytalanságát a 6. egyenlet alapján az alábbi képlettel számítottam: CVS = √CVR2 − CVL2
(16)
3.1.3.1 A modellezés során a mintavételhez használt MS Excel-makró validálása Az elemi mintákból álló adatsorokból MS Excel-makró segítségével generáltam összetett mintákat, egyenletes valószínűségű eloszlást feltételezve véletlen visszatevéses mintavétellel. A makróval történő mintavétel validálásához 1 és 120 közötti természetes számokból álló alapsokaságból visszatevéses mintavétellel N = 10 000 alkalommal vettem összetett mintákat (12. ábra). Minden egyes összetett mintát 10 random szám átlaga alkotta. A random kiválasztott számok átlagosan 833szor fordultak elő (CV = 0,035), ami megfelelt az elméletileg várható értéknek (120*833 = 99 960 = ~100 000; 10 összetett mintára vonatkoztatva 10 000, ami megegyezik a mintavétel számával, N-nel). A véletlen mintavétel okozta relatív kismértékű
eltérések
nincsenek
hatással
a
becsült
mintavételi
bizonytalanságértékekre. Gyakoriság 1000
Előfordulás
800 600 400 200 0
Számok
12. ábra. Az 1- 120 természetes számok előfordulási gyakorisága a véletlen visszatevéssel vett összetett mintákban (n = 10).
41
3.1.3.2 A mintavétel bizonytalanságának modellezése Az MS Excel-makró segítségével 5, 10 és 25 elemű (n) random összetett mintát generáltam 1000-10 000-szer (N) az elemi mintákat tartalmazó adatsorokból. Az 5 és 10 elemi mintából álló összetett minták az MRL-eknek való megfelelőség ellenőrzése céljából végzett sztenderd mintavételi eljárásokat (CAC 1999; EB 2002), míg a 25 elemű összetett minták a szerkísérletekben tipikusan alkalmazott mintaméretet reprezentálják (OECD 2009). Megjegyzés: egyéb, mintavételre alkalmas módszereket (mint például a bootstrap, jackknife) nem próbáltunk, mert az 1000-10 000 véletlen visszatevéses mintavétellel kapott eredmények kellő információt adtak az összetett minták átlagos szermaradéktartalmának variabilitására. Mintaméret (n): a mintát alkotó anyag mennyisége, vagy az elemi minták száma (CAC 1999). Mintaszám (A): az alapsokaságot alkotó minták száma. Generált mintaszám (N): a modellezések során generált n méretű összetett minták száma Az összetett minták átlagos szermaradék-tartalmát (Rn) az elemi minták tömegéből (gi) és az elemi mintákban mért szermaradékok koncentrációjából (ci) számítottam az alábbi képlettel: Rn =
∑n i=1 ci ×gi ∑n i=1 gi
(17)
Kétféle adatsorból történt mintavétel, minden esetben véletlen visszatevéses módszerrel. (a)
Minden egyes 120 elemi mintát tartalmazó adatsorból
(b)
Normalizált adatsorokból: Horváth és munkatársai tanulmánya alapján (2013) a növényvédőszer-maradékok eloszlása közötti valós különbségek 100-300 minta alapján nem állapíthatók meg, ezért a különböző területekről vett sárgarépa- és petrezselyemmintákból származó LOQ érték
feletti
szermaradékértékeket
összevontam.
Minden
szermaradékértéket elosztottam az adott ~120 elemi minta átlagos szermaradék-koncentráció értékével, amelyik adatsorhoz tartozott. Ilyen módon ún. „normalizált” adatsorokat kaptam, sárgarépa esetén A=1183, μ = 1, és CVR = 0,602, petrezselyem esetén A = 959, μ = 1 és CVR = 0,792 értékekkel. A két normalizált adatsor átlagos CVR értéke együtt 0,703 volt.
42
A további modellezésekhez N számú n méretű random mintát vettem p számú független ismétléssel, mellyel azt a szituációt illusztrálom, amikor egy tételből ismételt mintavétel történik. (a) 5, 10 és 25 elemű összetett mintákat vettem egymástól függetlenül 1, 2, 4, 8, 12, 20 és 30 alkalommal (ismétlés, p) visszatevéses véletlen mintavétellel a normalizált sárgarépa- és petrezselyem-adatsorokból. (b) 10 elemű összetett mintát vettem (N = 10 000) egymástól függetlenül 2, 4, 6 és 8 ismétléssel 18, illetve 20 különböző tételből (L). Ebben az esetben a vizsgált tételek számának hatását vizsgáltam a mintavétel bizonytalanságára. A kísérletet három különböző alapsokasággal végeztem el. 1.
Összesen 18 különböző tételből származó, ~120-120 elemi
mintából álló sárgarépa- és petrezselyemminták adatsoraival 2.
@-Risk szoftverrel ismételten generált 20 lognormális
eloszlású adatsorból, μ = 1 és CV = 0,8 értékekkel, mely a szermaradékok eloszlását legjobban jellemzi elemi minták esetén (Horváth et al. 2013). 3.
Piaci
mintákban
(alma,
banán,
kivi)
mért
szermaradékértékekkel is megismételtem a modellezést. A 100-100 értékből álló 20 különböző adatsor feltételezhetően egy-egy különböző tételből származó minták szermaradékértékeit tartalmazta. A terményeket különböző országokból importálták az Egyesült Királyságba, vagy az Egyesült Királyság területén termesztették. 100100 egyedi gyümölcsöt választottak ki véletlenszerűen minden egyes tételből.
Egyidejűleg
sokkomponenses
több
módszerrel
hatóanyag analizálták
kimutatására a
mintákat,
alkalmas, hogy a
gyümölcsökben várhatóan jelen lévő hatóanyagokat detektálják. Összesen 24 különböző növényvédő szert azonosítottak a mintákban (Hill és Reynolds 2002). Ennél a modellezésnél nem használtam fel az összes rendelkezésre álló termény-növényvédő szer kombinációt. A felhasznált adatsorok jellemző tulajdonságait a 4. táblázat tartalmazza.
43
4. táblázat. Piaci (elemi) mintákban mért szermaradékértékek alap statisztikai jellemzői. Növényvédő szer
Termény Ültetvény Alma Alma Alma Alma Alma Alma Banán Kivi Alma Alma Alma Alma Banán Alma Alma Alma Alma Alma Alma Alma
1 1 1 1 1 1 1 1 2 2 2 2 2 3 3 4 4 5 6 7
Karbaril Difenilamin Tiabendazol Fozalon Klórpirifosz Triazofosz Klórpirifosz Foszmet Karbaril Fozalon Klórpirifosz Triazofos Klórpirifosz Karbaril Klórpirifosz Karbaril Klórpirifosz Karbaril Karbaril Karbaril
Szermaradék (mg/kg)1
Elemi minták száma 108 108 108 100 110 110 100 100 95 100 110 110 100 100 100 110 100 100 100 100
Min
Átlag
Max
0,26 0,089 0,35 0,028 0,0050 0,0050 0,0028 0,0010 0,0050 0,079 0,0050 0,025 0,0015 0,020 0,0080 0,0050 0,010 0,33 0,060 0,010
1,41 0,47 1,02 0,61 0,15 0,56 0,0085 0,071 0,36 0,48 0,056 0,33 0,0091 0,15 0,085 0,084 0,061 1,06 0,50 0,98
3,89 1,82 2,97 2,70 1,35 2,16 0,091 0,43 1,90 1,75 0,26 1,75 0,076 0,68 0,47 0,55 0,34 2,26 1,62 2,73
CVR 0,50 0,63 0,50 0,83 1,19 0,97 1,18 1,29 0,91 0,55 0,78 1,27 0,88 0,83 1,15 1,53 0,86 0,39 0,67 0,64
Az értékek a mérések bizonytalanságát (CVA) figyelembe véve, kerekítve szerepelnek a táblázatban. Csak az LOQ feletti értékeket vettem figyelembe. 1
Az ismételt mintavétel modellezése során az összetett minták szermaradékértékeiből a CVR értékeket a terjedelem statisztika (Anderson 1987) módszerével számítottam p ≤ 10 esetén. (7. egyenlet). Az 5. táblázat segíti a számítás menetének bemutatását. 5. táblázat. Példa az átlagos szermaradékértékek és CVR értékek számítására 4 ismételt mintából.1 Véletlen minta # #=1 N 1 2 1
Szermaradékértékek összetett mintákban (mg/kg) 1 2 3 4 0,989 0,953 0,918 0,730 0,970 1,147 1,077 0,975
Átlag 0,898 1,042
Szermaradékok Számított relatív CVR különbsége 0,29 0,14 0,17 0,08
A táblázat a jelentett értékeket kerekítés nélkül tartalmazza
A
táblázat
oszlopai
tartalmazzák
az
ismételten
vett
összetett
minták
szermaradékértékeit (ebben az esetben p = 4; d2 = 2,059), a sorok pedig az N alkalommal
vett
különböző összetett
mintákat.
Az
egy sorban
szereplő 44
szermaradékértékek alkotnak egy, a későbbiekben „mintapárnak” nevezett, egy tételnek tekintett adatsorból származó, különböző számú ismételt mintákat. A mintapárok CVR értékét a terjedelem statisztika alapján számítottam az egy sorban szereplő szermaradékértékek számának megfelelő állandóval (d2) (3.1.2 fejezetben részletezve): CVR =
Rmax −Rmin ̅ ×d2 R
(18)
ahol Rmax, Rmin és 𝑅̅ a minimum, a maximum és az átlagos szermaradékértékek egy mintapárban. 10 fölötti ismételt minta esetén a CVR értéket a klasszikus képlettel számítottam (3. és 4. egyenlet). Az ismételt minták átlagos szermaradékértékét (𝑅̅ ) és N mintapár CVR értékének ̅̅̅̅̅ átlagát (𝐶𝑉 𝑅 ) az egyedi értékek számtani átlaga adja. Az összetett minták szermaradékértékeinek, valamint a CVR értékeknek a 95%-os relatív tartományát az N számú mintapárból számított CVR értékek 97,5. (P0,975) és 2,5. (P0,025) percentilisértékeinek különbsége adta. Az N számú mintapár CVR értékeinek 95%-os relatív tartományát (CIr0,95) a következő képlettel számítottam: CIr0,95 =
CVP0,975 −CVP0,025 ̅̅̅̅̅̅ CVR
(19)
ahol ̅̅̅̅̅ 𝐶𝑉𝑅 az N számú CVR érték számtani átlaga.
3.2 Mintavételi bizonytalanság becslése összetett mintákból, szerkísérletek alapján 3.2.1 Felhasznált adatbázis A JMPR-jelentésekben 1997 óta külön feltüntetik a határérték meghatározására kiválasztott növényvédő szerekkel végzett kísérletek körülményeit és eredményeit. Az interneten bárki számára hozzáférhető értékelések (FAO 2011) könnyen felhasználható növényvédőszermaradék-adatbázist biztosítanak különböző egyedi termények és a Codex Élelmiszerek és Takarmányok Osztályozása (CAC 1993) szerinti terménycsoportok tekintetében. Az USA-ban végzett szerkísérletek során ismételt mintákat vettek egy-egy kísérleti területről annak érdekében, hogy még pontosabb információt kapjanak a terményeken/terményekben előforduló átlagos növényvédőszer-maradék koncentrációról. Az 1997 és 2010 közötti JMPR-jelentések közül az ismételt mintavételekből származó szermaradékadatokat gyűjtöttem ki és használtam fel a mintavétel 45
bizonytalanságának becsléséhez. Összesen 12 087 mintapárt, az esetek > 99,95%ában duplikált mintákat (két ismételten vett minta alkotott egy mintapárt), 25 876 egyedi szermaradékértéket, 706 termény-növényvédő szer kombinációt (66 különböző növényvédő szer és 106 termény kombinációja) tartalmazott az adatbázis. A terményeket 24 csoportba soroltam. A csoportosítás alapjait a Codex Élelmiszerek és Takarmányok Osztályozása (CAC 1993) adta, ami figyelembe veszi a termény jellemzőiből fakadó várható szermaradék-koncentrációt, valamint a fogyasztás módját, így például elkülöníti a friss és szárított élelmiszerterményeket, feldolgozott és félkész élelmiszerterményeket és takarmányokat. Az eredeti klasszifikációhoz képest bizonyos módosításokat eszközöltem annak érdekében, hogy a csoportosítás még inkább megfeleljen a célnak. Mintavételi aspektusokat is figyelembe vettem, a mintavétel szempontjából hasonló tulajdonságokkal rendelkező termények is egy-egy külön csoportot alkottak (például kis-, közepes- és nagyméretű friss zöldségek). A mintavétel
bizonytalanságát
termények
és
terménycsoportok
esetén
is
meghatároztam (Farkas et al. 2015a). Ki kell emelni, hogy a szerkísérleteket gondosan tervezik és általában kisméretű kísérleti területen (pl. 4 almafa) hajtják végre (M3. számú melléklet), szigorúan ellenőrzött körülmények között, különös tekintettel az egyenletes növényvédőszerborítottságra a termények kezelése során. Az EU-irányelvben (EB 2002) és a Codexszabványban (CAC 1999) az MRL-megfelelőség ellenőrzéséhez meghatározott mintaméreteknél rutinszerűen nagyobb méretű mintákat vesznek. A
szerkísérletekre
jellemző
szigorú
kísérleti
feltételek
miatt
a
mért
szermaradékértékek kisebb variabilitást mutathatnak a normál mezőgazdasági alkalmazás során mutatkozó variabilitáshoz képest. Ezeket a körülményeket figyelembe vettem a szerkísérletek alapján becsült, de az üzemi termesztési körülményeket jellemző mintavételi bizonytalanságértékek számítása során. 3.2.2 Módszerek a mintavételi bizonytalanság becslésére szerkísérletek alapján Mivel a szerkísérletekből származó adatbázis ismételt mintákat tartalmazott, egy mintapár CVR értékét (CVR1) a terjedelem statisztika módszerével számítottam (18. egyenlet). Bár a mintapárok az esetek döntő többségében két mintában mért szermaradékértékből álltak, előfordultak több mintát tartalmazó mintapárok is, ezért minden esetben külön számítottam a CVR1 értéket a megfelelő d2 érték felhasználásával. Az egyes termények (i) jellemző CVR értékét (CVRi) a mintapárokból számított CVR1 értékek átlaga adta.
46
∑i CVR1
CVRi =
Ni
(20)
3.2.2.1 A laboratóriumi fázis bizonytalansága A szerkísérletekről készült jelentésekben validálási adatok is szerepelnek, de az analízissel egyidejűleg végzett visszanyeréses vizsgálatok adatai általában nem szerepelnek a FAO-értékelésekben (FAO 2011). Ezért kigyűjtöttem az értékelésekből a szerkísérletek során a mintaanalízishez felhasznált módszer validálásakor a laboratóriumok által végzett visszanyeréses vizsgálatok adatait. A visszanyeréses vizsgálatokat általában 0,01 és 10 mg/kg közötti hozzáadási szinten végzik, 3-8 ismétléssel. A visszanyeréses vizsgálatokból származó CVA értékek általában 2-12% közé estek, magasabb értékek (maximum 20%) nagyon ritkán fordultak elő. A különböző kémiai és fizikai tulajdonságokkal rendelkező növényvédő szerek visszanyeréses vizsgálataiból származó CVA értékek és a hozzáadási szintek között nem volt megfigyelhető összefüggés az egyes mintamátrixokban. Ezért a jelentésekben szereplő CVA értékek súlyozott átlaga tekinthető a legjobb becslésnek az analitikai fázisból származó variabilitás megállapítására. Az eredményeket a 6. táblázat tartalmazza. A CVA értékek összesített súlyozott átlagát (CVAw) a különböző növényvédő szertermény kombinációkból az alábbi képlettel számítottam: ∑(dfi ×CV2Ai )
CVAw = √
∑ dfi
(21)
Ahol dfi az i-edik termény-növényvédő szer kombináció CVAi értékére vonatkozó szabadsági fok. A tipikus CVA meghatározásához a visszanyerési szintek nagy különbsége miatt a mérések varianciájának a súlyozott átlaga nem használható. A mintaanyagok aprítása, darabolása és homogenizálása szerkísérletek esetén általános gyakorlat szerint, nagyon gondosan végzett művelet, szárazjég jelenlétében (OECD 2007; Lehotay et al. 2015), melynek relatív szórása tipikusan ≤ 5% körüli érték.
Figyelembe véve a 6467 visszanyeréses vizsgálat átlagos 8,56%-os
reprodukálhatóságát, a CVL értéket 10%-ra becsültem [(8,562 + 52) 0,5 = 9,91]. Ahol a számított CVL érték nem érte el a 10%-ot, azokban az esetekben is a 10%-os értékkel számoltam. Tekintve, hogy az elemi minták szermaradékértékének átlagos CVR értéke 80% körüli érték volt (Horváth et al. 2013), a 10% körüli CVL értékek gyakorlatilag nem befolyásolták az egyes (ith) terményekre a 16. egyenlet alapján számított mintavételi bizonytalanságértéket (CVSi).
47
6. táblázat. Visszanyeréses vizsgálatokból származó átlagos CVA (%) értékek. Terménycsoport1
Tipikus termény kategóriák Almatermésűek Csonthéjasok Hagymafélék Káposztafélék Tökfélék
1.
2. 3. 4.
5.
Leveles zöldségek és friss gyógynövények Száras zöldségek Takarmánynövények Száraz takarmányok Hüvelyes zöldségek Gyökér és gumós zöldségek Citrusfélék Kisméretű és bogyós gyümölcsök Egyéb Diófélék Olajos magvak Olajos gyümölcsök Száraz hüvelyesek Gabonafélék magvai Mandula-, földimogyoró-, gyapothéj Szárított komló, tea, kávé, cukornád Összesen Súlyozott átlag
No.2
Hozzáadási tartomány3
2 3 1 3 5
0,01-2,0 0,02-4,0 0,02-0,3 0,01-5,0 0,01-11,4
115 149 24 223 723
7,75 9,62 8,70 11,86 8,77
4 2 9 6 4 4 3
0,01-5,0 0,02-10,0 0,01-40,0 0,01-20,0 0,01-5,0 0,01-2,0 0,01-5,0
227 32 623 632 474 225 526
10,30 14,13 9,35 9,01 8,18 8,70 7,00
5 1 2 6 2 2 5
0,01-2,0 0,02-0,5 0,01-1,0 0,01-3,0 0,01-5,0 0,01-1,0 0,01-20
446 28 12 672 42 362 691
7,56 10,94 11,88 8,08 9,25 7,04 7,45
3
0,01-7,5
81
10,68
4
0,01-20,0
160 6467
7,38
No.4 CVAw%5
8,56
1. Magas víztartalom; 2. Magas olaj- és nagyon alacsony víztartalom; 3. Magas olaj- és közepes víztartalom; 4. Magas rost- és/vagy fehérjetartalom és alacsony víz- és zsírtartalom; 5. „Nehezen besorolható vagy egyedi termények” 2 A csoportból vizsgált termények száma 3 A hozzáadási koncentráció tartománya (mg/kg) 4 Visszanyerési vizsgálatok száma 5 CVAw%: CVA értékek súlyozott átlaga 1
48
3.2.2.2 Mintaméret-korrekció A
JMPR-jelentésekben
mintaméretre
vonatkozó
információ
nem
szerepel
szisztematikusan (M3. számú melléklet). Gyakran a minta tömegét tüntetik fel az összetett mintát alkotó elemi minták száma helyett. Feltételeztem, hogy a növényvédőszer-gyártók általánosságban az OECD-útmutatóban (OECD 2009) közreadott protokollokat követték, ahol jellemzően nagy mintaméretek vannak meghatározva (24 elemi minta kis- és közepes, 12 elemi minta nagyméretű termények esetén). Hatósági ellenőrzés során a releváns Codex-sztenderd (CAC 1999) szerint kis- és közepes méretű termények esetén minimum 10, nagyméretű termények esetén minimum 5 elemi mintából álló összetett mintát kell venni. Ezért a szerkísérletekből számított CVSi értékeknél korrekciós faktort alkalmaztam a különbség korrigálása érdekében (CVSiKorr). A faktor értéke 1,55 (f = √24/√10 = √12/√5 = 1,55) a 2. egyenlet alapján. 3.2.2.3 Terménycsoportok mintavételi bizonytalanságának számítása Az i terményből álló terménycsoportok mintavételi bizonytalanságát (CVScs) a mintaméret szempontjából korrigált (CVSiKorr) értékekből számítottam, azok súlyozott átlagát vettem az alábbi képlet szerint: ∑(dfi ×CV2SiKorr )
CVScs = √
∑ dfi
(22)
3.2.3 Konfidenciaintervallum számítása A
becsült
mintavételi
bizonytalanságértékek
(CVSiKorr
és
CVScs)
2
konfidenciaintervallumait a Chi eloszlás alapján számítottam (Miller és Miller 2010) (23. és 24. egyenlet). A számításnál figyelembe vettem, hogy a kísérleti eredmények alapján a mintavétel bizonytalansága független az alapsokaságra jellemző átlagos szermaradék-koncentrációtól, ezért a relatív minatvételi bizonytalanság 95%-os várható tartománya egységnyi szermaradék-koncentrációra vonatkoztatva a (CVS1 = SDS) a CVS értékekkel közvetlenül számítható. LCL = √(df ∗ CVS 2 ⁄χ20,975 )
(23)
UCL = √(df ∗ CVS 2 ⁄χ20,025 )
(24)
ahol df, a szabadsági fok, mely egyenlő a mintapárok számával egy termény, illetve terménycsoport esetén, χ20,975 és χ20,025 a Chi2 eloszlás 97,5. és 2,5. percentiliseihez tartozó
statisztikai
táblázatból
vett
(MedCalc),
vagy
az
MS
Excel
49
KHINÉGYZET.INVERZ(valószínűség;szabadságfok) függvény segítségével kapott értékek. A számítás 25 vagy nagyobb elemszámú mintáknál pontos eredményt ad, mivel a CV25 értékek gyakorlatilag normális eloszlásúak. Kisebb elemszám esetén a helyes értéket megközelítő eredményt kapunk. A konfidenciaintervallumot a területi mintákból származó szermaradékértékekkel végzett modellezések eredményeinek alapján egy empirikus módszerrel is meghatároztam, mely a Chi2 eloszlás alapján számított értékekkel korreláló, de kismértékben szélesebb konfidenciaintervallumot adott. Tekintve, hogy az empirikus módszerben nincs előfeltételezés a CV értékek – nem feltétlenül normális eloszlást követő – eloszlására vonatkozóan, ezt használtam fel a továbbiakban a konfidenciaintervallumok meghatározására. A módszer részleteit az „Eredmények” fejezetben írom le.
50
4. EREDMÉNYEK 4.1 Területi mintákból származó szermaradékértékekkel végzett modellezések eredményei A mintavétel bizonytalanságát (CVS) a 16. egyenlet alapján számítottam a sárgarépagyökerekben és petrezselyemlevelekben mért CVR értékekből és az analízis laboratóriumi fázisának bizonytalanságából (CVL) (2. és 3. táblázat). A szermaradékok eloszlásával és a mintavétel bizonytalanságával kapcsolatos korábbi tanulmányok alapján (Horváth et al. 2013; Ambrus 2009) az egyes terménynövényvédő szer kombinációkból származó szermaradék-adatsorok CVR-ének átlagértéke a legjobb becslés a tipikus CVR értékre. Az átlagos CVL értékek (2. és 3. táblázat) a sárgarépa- és petrezselyemminták esetében a CVR értékek 30%-ánál alacsonyabbak voltak, ami azt jelenti, hogy a számított CVS értéket a CVL érték gyakorlatilag nem befolyásolta, tehát a bizonytalanság fő forrása az elemi mintákban mért szermaradékok közötti variabilitás. Ezért a továbbiakban a területi mintákból származó szermaradékértékek 3. illetve 4. egyenlet alapján számított CV értékei közvetlenül a CVS értékeknek felelnek meg. 4.1.1 Mintaméret és ismételten vett minták számának hatása a variabilitásra A mintavétel bizonytalanságát 10 000 összetett (n = 5, 10, 25) minta generálásával tanulmányoztam a különböző területekről vett elemi mintákból származó szermaradékérték-adatsorokból. Az összetett minták szermaradék-tartalmát a 17. egyenlet alapján számítottam. A szermaradékok átlagértékét és a 95%-os tartományt, melyet a 97,5. percentilis és a 2,5. percentilis reprezentál, sárgarépaminták esetén a 7. táblázat, petrezselyemminták esetén a 8. táblázat tartalmazza. Minden egyes területről származó, elemi mintákban mért szermaradékértéket tartalmazó adatsor egy becslést ad a szermaradékok variabilitására. Annak érdekében, hogy megkapjuk a lehető legjobb becslést (Horváth et al. 2013), az egy területről vett, egy termény-növényvédő szer kombinációból származó elemi minták szermaradékértékeit elosztottam az adott adatsor átlagértékével, majd kombináltam, így kaptam az ún. „normalizált” adatsorokat az összes sárgarépa- (A = 1183, μ = 1, CVR = 0,60), illetve az összes petrezselyemminta-értékből (A = 959, μ = 1, CVR = 0,79). Ezek az értékek valamivel magasabbak, mint a 2. és 3. táblázatban szereplő, az összesített átlag alapján számított CVR értékek (sárgarépa esetén CVR = 0,60, petrezselyem esetén CVR = 0,68). A normalizált adatsorok CVR értékei tekinthetők a
51
mintavétel bizonytalanságának (CVS), ugyanis a szermaradékok variabilitása járul hozzá legjelentősebb mértékben a szermaradékok kombinált bizonytalanságához (2. és 3. táblázat). 7. táblázat. Elemi mintákból véletlen mintavétellel vett 10 000 összetett sárgarépaminta szermaradékértéke. Növényvédő szer Mintaméret (n) (Ültetvény száma) Azoxistrobin 1 (1) 5 10 25 Azoxistrobin 1 (3) 5 10 25 Azoxistrobin 1 (8) 5 10 25 Ciprokonazol 1 (3) 5 10 25 Ciprokonazol 1 (8) 5 10 25 Linuron 1 (1) 5 10 25 Linuron 1 (8) 5 10 25 Teflutrin 1 (3) 5 10 25 Teflutrin 1 (8) 5 10 25 Trifloxistrobin 1 (3) 5 10 25 a
Szermaradékérték (mg/kg) P0,025 Átlag P0,975 a 0,0718 0,052 0,0718 0,096 0,057 0,0719 0,088 0,063 0,0719 0,082 a 0,0824 0,060 0,0823 0,11 0,066 0,0823 0,10 0,072 0,0825 0,093 0,0128 a 0,0090 0,0128 0,017 0,010 0,0128 0,016 0,011 0,0128 0,015 0,174 a 0,13 0,173 0,23 0,14 0,173 0,21 0,15 0,173 0,20 a 0,0121 0,0075 0,0121 0,018 0,0087 0,0121 0,016 0,0099 0,0121 0,015 a 0,0824 0,051 0,0824 0,12 0,060 0,0826 0,11 0,068 0,0825 0,098 a 0,0167 0,0062 0,0167 0,035 0,0086 0,0168 0,029 0,011 0,0167 0,024 a 0,0338 0,011 0,0336 0,063 0,017 0,0338 0,054 0,023 0,0339 0,047 a 0,1524 0,077 0,1521 0,27 0,096 0,1526 0,23 0,11 0,1522 0,20 a 0,0202 0,0095 0,0203 0,043 0,012 0,0204 0,036 0,014 0,0202 0,029
CVS 0,35 0,16 0,11 0,07 0,33 0,15 0,10 0,07 0,37 0,16 0,12 0,07 0,35 0,16 0,11 0,07 0,48 0,21 0,15 0,10 0,48 0,21 0,15 0,10 1,00 0,44 0,31 0,20 0,91 0,41 0,29 0,18 0,74 0,32 0,23 0,15 0,98 0,44 0,31 0,20
Elemi minták átlagos szermaradékértéke.
52
8. táblázat. Elemi mintákból véletlen mintavétellel vett 10 000 összetett petrezselyemminta szermaradékértéke. Növényvédő szer Szermaradékérték (mg/kg) Mintaméret (Ültetvény (n) P0,025 Átlag P0,975 száma)
a
Azoxistrobin (1)
1 5 10 25
Azoxistrobin (2)
1 5 10 25
Azoxistrobin (3)
1 5 10 25
Difenokonazol
1
(1)
5 10 25
Difenokonazol (2)
1 5 10 25
Difenokonazol (3)
1 5 10 25
Linuron (2)
1 5 10 25
Metolaklór (2)
1 5 10 25
0,0098 0,011 0,013
0,015 a 0,0150 0,0150 0,0150
CVS
0,022 0,020 0,018
0,47 0,21 0,15 0,09
0,016 0,018 0,020
0,024 a 0,0240 0,0241 0,0241
0,035 0,032 0,029
0,47 0,21 0,15 0,09
0,00080 0,0011 0,0016
0,0027 a 0,0027 0,0027 0,0027
0,0076 0,0056 0,0045
1,35 0,60 0,42 0,27
0,113 a 0,080 0,089 0,098
0,1127 0,1128 0,1131
0,36 0,15 0,14 0,13
0,16 0,11 0,07
0,095 0,11 0,12
0,134 a 0,134 0,134 0,134
0,19 0,17 0,16
0,39 0,17 0,12 0,08
0,0033 0,0045 0,0065
0,0124 a 0,0124 0,0124 0,0124
0,041 0,029 0,022
1,64 0,74 0,52 0,33
0,053 0,058 0,061
0,0683 a 0,0681 0,0684 0,0683
0,086 0,080 0,076
0,27 0,12 0,08 0,05
0,0035 0,0039 0,0042
0,0048 a 0,0047 0,0048 0,0048
0,0061 0,0057 0,0053
0,57 0,14 0,10 0,06
Elemi minták átlagos szermaradékértéke.
Megjegyzés: A 7. és 8. táblázatban szereplő szermaradékértékek a kis különbségek érzékeltetésére szolgálnak, nem tükrözik azok bizonytalanságát.
53
A normalizált adatsorokból vett N=10 000, n = 5, 10 és 25 elemű összetett minták jellemző paramétereit a 9. táblázat tartalmazza. 9. táblázat. Normalizált szermaradékértékei.
elemi
Mintaméret (n) Sárgarépa
Petrezselyem
1
mintákból
vett
10
Szermaradékérték P0,025
1
Átlag
P0,975
1,000
000
CVS
összetett
minta
CVS (elméleti)1
0,602
5
0,59
0,998
1,64
0,265
0,269
10
0,69
1,002
1,45
0,190
0,190
25 1
0,79
0,999 1,000
1,26
0,120 0,792
0,120
5
0,55
1,02
2,01
0,375
0,354
10
0,66
1,01
1,69
0,259
0,251
25
0,77
0,98
1,41
0,155
0,158
Az elméleti CVS értéket a 2. egyenlet alapján számítottam (𝐶𝑉 =
𝐶𝑉1 ). √𝑛
A normalizált sárgarépa- és petrezselyem-adatsorokból vett összetett minták szermaradékértékeinek relatív gyakorisági eloszlása a 13. ábrán látható. Mind a normalizált, mind az egy területről származó adatsorokból vett minták azt mutatják, hogy az elemi és az összetett minták átlagos szermaradékértéke közel van egymáshoz, a CVS értékek pedig megegyeztek az elméletben várható CVS értékekkel (2. egyenlet) (Snedecor és Cochran 1980). Az eredmények alapján a véletlen mintavétellel végzett modellezések torzítatlan becslést adnak, igazolva a korábbi kutatások eredményeit (Ambrus és Soboleva 2004; Horváth et al. 2013). 4.1.2 Az ismételten vett minták számának hatása a variabilitásra A sárgarépa és petrezselyem normalizált adatsoraiból p ismétléssel végzett mintavétel (N = 10 000, n = 5, 10, 25) eredményét a 10. táblázat tartalmazza. Az eredmények alapján a becsült CVS értékek tartománya az ismételt minták számának növekedésével csökken, a legvalószínűbb érték (a relatív gyakorisági görbék maximuma) pedig közelít a valódi értékhez, ahogy azt a 14. ábra is mutatja.
54
Relatív gyakoriság [%]
70 60 50 n=1
40
n=5 30
n=10
20
n=25
10 0 0,00
0,50
1,00
1,50
2,00
2,50
Normalizált szermaradékértékek sárgarépamintákban 45
Relatív gyakoriság [%]
40 35 30
n=1
25
n=5
20
n=10
15
n=25
10 5 0 0
0,5
1
1,5
2
Normalizált szermaradékértékek petrezselyemmintákban
2,5
13. ábra. Normalizált sárgarépa (felső ábra) és petrezselyem (alsó ábra) szermaradékértékek eloszlása különböző méretű összetett mintákban. 10. táblázat. Normalizált sárgarépa- és petrezselyem-adatsorokból „p” alkalommal vett 10 000, „n” elemű összetett minta CVS értékeinek tartománya. Mintaméret (n) Sárgarépa 5
10
Ismételt minták száma (p) 1 2 4 8 12 20 30 1 2 4 8
Számított CVS értékek1 Min
P0,0252
0 0 0,04 0,085 0,102 0,134
0 0,064 0,118 0,141 0,165 0,180
0 0,01 0,039
0 0,05 0,086
Átlag3 0,269 0,193 0,23 0,246 0,251 0,257 0,259 0,19 0,146 0,17 0,18
P0,975
Max
0,545 0,489 0,445 0,414 0,386 0,365
0,877 0,831 0,703 0,615 0,537 0,513
0,408 0,334 0,298
0,727 0,5 0,428
55
Mintaméret (n)
25
5
Petrezselyem
Ismételt minták száma (p)
Számított CVS értékek1 Min
P0,0252
Átlag3
P0,975
Max
12 20 30 1 2 4 8 12 20 30 1
0,064 0,082 0,099
0,107 0,124 0,136
0,278 0,257 0,245
0,399 0,323 0,307
0 0 0,027 0,040 0,057 0,065
0 0,033 0,057 0,070 0,081 0,088
0,184 0,186 0,187 0,120 0,094 0,109 0,114 0,117 0,118 0,119 0,354
0,264 0,212 0,184 0,175 0,161 0,154
0,428 0,352 0,272 0,235 0,211 0,189
2
0
0,008
0,215
0,672
1,096
4
0,011
0,066
0,262
0,721
1,082
8
0,058
0,123
0,294
0,712
1,046
12
0,085
0,147
0,307
0,682
1,008
20
0,103
0,175
0,325
0,626
0,848
30
0,14
0,193
0,333
0,583
0,764
1 10
0,251
2
0
0,007
0,175
0,535
0,910
4
0,011
0,054
0,212
0,528
0,758
8
0,045
0,102
0,23
0,473
0,689
12
0,067
0,123
0,239
0,441
0,599
20
0,093
0,143
0,246
0,411
0,573
30
0,105
0,158
0,251
0,387
0,476
1 25
1 2 3
0,158
2
0
0,004
0,114
0,349
0,611
4
0,007
0,036
0,135
0,301
0,511
8
0,031
0,065
0,147
0,266
0,393
12
0,043
0,078
0,15
0,249
0,343
20
0,061
0,093
0,154
0,23
0,309
30
0,072
0,104
0,156
0,217
0,282
A CVS értéket az ismételten vett összetett mintákból számítottam P0,025 és P0,975 a 10 000 ismételt minta CVS értékének 2,5. és 97,5. percentilisértékei Az átlagos CVS érték 1 minta esetén a 2. egyenlet alapján számolt elméleti érték, több ismétlés esetén a 10 000 egyedi CVS érték átlaga
56
Relatív gyakoriság [%]
80 70 60 p=4
50
p=8
40
p=12
30
p=20 20 p=30 10 0 0,00
0,10
0,20
0,30
0,40
Normalizált sárgarépaminták (n=10) CVS értéke
60
Relatív gyakoriság [%]
50 p=4
40
p=8 30
p=12 p=20
20
p=30 10 0 0
0,1
0,2
0,3
0,4
0,5
0,6
Normalizált petrezselyemminták (n=10) CVS értéke
14. ábra. CVS értékek eloszlása normalizált sárgarépa- (felső ábra) és petrezselyemadatsorokból (alsó ábra) „p” ismétléssel vett 10 elemű összetett minták esetén. A várható CVS érték sárgarépa esetén 0,19, petrezselyem esetén 0,25. 4.1.3 Az alapsokaság (mintázandó egység) variabilitásának hatása Az elemi mintákból származó szermaradékok CVS értéke termény-növényvédő szer kombinációnként nagymértékben változott (0,11-1,44 között, átlagosan 0,8). A következő modellezéssel az elemi mintákból származó szermaradékértékek (alapsokaság) variabilitásának hatását vizsgáltam. Különböző CV1 értékű (0,11, 0,18, 0,25, 0,26, 0,36, 0,40, 0,55, 1,06 és 1,44), μ = 1 paraméterekkel generált lognormális eloszlású adatsorokból 10 elemi mintából álló összetett mintákat vettem véletlen visszatevéses mintavétellel 10 000 alkalommal. A generált adatsorok paraméterei a területi kísérletekből származó adatsorok tényleges szermaradék-variabilitását 57
reprezentálják. A véletlen mintavételt 4, 8, 12, 20 és 30 alkalommal (p) ismételtem meg. A CIr0,95 értékeket a 19. egyenlet alapján számoltam. Az eredményeket a 15. ábra mutatja.
CVS értékek 95%-os relatív tartománya
Egyedi adatsorok 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0 0
5
10
15
20
25
30
35
Ismételt minták száma (p) CV=0.36 CV=0.25
CV=1.44 CV=0.26
CV=0.55 CV= 0.18
CV=0.40 CV=0.11
CVS értékek 95%-os relatív tartománya
Átlag 1,6 1,4 1,2 1 0,8 y = 2,8277x-0,504 R² = 0,9999
0,6 0,4 0,2 0 0
5
10
15
20
25
30
Ismételt minták száma (p)
15. ábra. Felül: A CVS értékek 95%-os relatív tartománya 0,11; 0,18; 0,25; 0,26; 0,36; 0,40; 0,55; 1,06 és 1,44 CV1 értékű elemi mintákból álló alapsokaságból „p” ismétléssel vett 10 elemű összetett minták esetén. Alul: A relatív tartományok átlaga. A különböző CV1 értékű lognormális adatsorokból vett minták CIr0,95 értéke 4, 8, 12, 20 és 30 ismétlés esetén hasonló értéket vett fel, az illesztett görbék tendenciája hasonló a CV1 érték nagyságától függetlenül. A kismértékű eltérések a görbéken a random mintavétel okozta variabilitásnak tulajdoníthatók. Ezért kiszámítottam az
58
azonos ismétlésszámú, különböző alapsokaságból származó CIr0,95 értékek átlagát, majd a kapott pontokat és a rájuk illesztett görbét az ismételt minták számának függvényében ábrázoltam (15. ábra alsó diagram). Az eredmények alapján az illeszkedés majdnem tökéletes, az illesztett görbe egyenlete y = 2,8277x−0,504, R2 = 0,9999. Az eltérő CV1 értékű alapsokaságokból vett mintákból származó CIr0,95 értékekre illesztett görbék regressziós egyenleteit (15. ábra felső diagram) a 11. táblázat tartalmazza. 11. táblázat. Regressziós egyenletek: Y= axb, melyek az ismételt mintavételből számított CVS értékek 95%-os relatív különbségeinek kapcsolatát írják le. CV1
a
b
R2
0,11
2,9870
-0,513
0,9981
0,18
3,0631
-0,523
0,9989
0,25
2,8955
-0,509
0,9972
0,26
2,8275
-0,493
0,999
0,36
2,6110
-0,469
0,9971
0,55
2,6952
-0,510
0,9976
1,06
2,9570
-0,509
0,9999
1,44
2,6678
-0,487
0,9954
Megjegyzendő, hogy az egyenletben szereplő kitevő közelít a -0,5-höz, ami azt jelenti, hogy a 95%-os relatív konfidenciaintervallum fordítottan arányos az ismételt minták számának négyzetgyökével, ami a relatív varianciák konstans voltát bizonyítja. Az eredmények alapján a CVS értékek relatív 95%-os tartománya gyakorlatilag független az alapsokaság variabilitásától. Ezek alapján a modellezésből levont következtetések általánosan alkalmazhatók. 4.1.4 A vizsgált tételek számának hatása az összetett minták szermaradéktartalmának variabilitására 10 elemű összetett mintákat vettem 10 000 (N) alkalommal a 0,8-as CV-jű, 1-es átlagú szintetikusan generált alapsokaságból, mely az elemi mintákra jellemző szermaradék-eloszlást reprezentálja. A véletlen mintavételt 20 alkalommal ismételtem meg, így a modellezés 20 különböző független mintázandó egységet (tételt) (L) reprezentált. Minden egyes alapsokaságból 2, 4, 6 és 8 ismételt mintát (p) vettem. A mintapárok CVS értékét a 3.1.3. fejezetben az 5. táblázatban bemutatott módon számítottam. Az L tétel és p ismétlés alapján becsült CVS értékek 95%-os relatív konfidenciaintervallum-értékeit a 16. ábra tartalmazza. 59
CVS értékek 95%-os relatív tartománya
2,00 1,80 1,60 1,40 1,20
p=2
1,00
p=4
0,80
p=6
0,60
p=8
0,40 0,20 0,00 0
2
4
6
8
10
12
14
16
18
20
22
Vizsgált tételek száma (L)
16. ábra. A CVS értékek 95%-os tartományának relatív tartománya 10 elemű, ’p’ ismétléssel, ’L’ számú független tételből vett minták esetén. Az alapsokaság paraméterei: μ = 1 SD = 0,8. Az illesztett görbék lefutása szabályos. Az apró eltérések a véletlen mintavétel okozta variabilitásnak tudhatók be. A görbék jó illeszkedést mutatnak (R2), az egyenletek a 12. táblázatban láthatók. 12. táblázat. A 0,8-as CV-jű generált alapsokaságból „p” ismétléssel, „L” számú tételből vett minták CV értékeinek 95%-os relatív különbségének viszonyát leíró regressziós egyenletek értékei (Y = axb). p
a
b
R2
2
2,3349
-0,513
0,9874
4
1,4771
-0,507
0,9955
6
1,1870
-0,501
0,997
8
1,0135
-0,502
0,9981
A magasabb kitevő 2 és 4 ismétlés esetén a kevés számú ismételt mintából becsült CV érték nagyobb bizonytalanságának tulajdonítható. Ugyanezzel a módszerrel végzett modellezést a 4. táblázatban bemutatott piaci mintákból (20 független tétel, ~100-100 elemi minta), illetve független sárgarépa- és petrezselyemtételekből (2. és 3. táblázat, 18 tétel, ~120-120 elemi minta) származó eredményei a 17. ábrán láthatók. 60
Petrezselyem, sárgarépa
CVS értékek 95%-os relatív tartománya
2,5
2 p2 1,5
p4 p6
1
p8
0,5
0 0
2
4
6
8
10
12
14
16
18
20
Vizsgált tételek száma (L)
CVS értékek 95%-os relatív tartománya
Piaci minták 2,5
2
1,5 p2 p4 1
p6 p8
0,5
0 0
2
4
6
8
10
12
14
16
18
20
Vizsgált tételek száma (L)
17. ábra. A CVS értékek 95%-os tartományának relatív különbsége 10 elemű, ’p’ ismétléssel, ’L’ számú független tételből vett minták esetén. Az illesztett görbék paramétereit a 13. táblázat tartalmazza.
61
13. táblázat. Piaci mintákból, illetve petrezselyem- és sárgarépa-alapsokaságból „p” ismétléssel, „L” számú tételből vett minták CVS értékeinek 95%-os relatív különbségének viszonyát leíró regressziós egyenletek értékei (Y= axb).
Piaci minták
Petrezselyem, sárgarépa
p
a
b
R2
2
2,8422
-0,464
0,9993
4
1,5201
-0,446
0,9948
6
1,2830
-0,468
0,9966
8
1,1216
-0,476
0,9991
2
2,7248
-0,443
0,9964
4
1,6557
-0,446
0,9905
6
1,3197
-0,436
0,9916
8
1,0905
-0,422
0,9883
A CVS értékek 95%-os relatív konfidenciaintervallumának csökkenő tendenciája azonos volt a növényvédő szerrel kezelt területekről vett mintákkal és a szintetikus lognormális eloszlású alapsokasággal végzett modellezések esetén, ami azt jelenti, hogy a levont következtetések általánosan alkalmazhatók. A 16. és 17. ábra alapján a mintavételi bizonytalanság 95%-os relatív konfidenciaintervalluma 8, különösen 6 vizsgált tételig nagymértékben csökken, 20 vizsgált tétel felett azonban a nyereség elhanyagolható. A csökkenés a vizsgált tételek számának négyzetgyökével arányos (12. táblázat).
4.2 Szerkísérletekből származó szermaradékértékekkel végzett becslések eredményei 4.2.1 Konfidenciaintervallum számítása a kísérleti adatok modellezésének eredménye alapján A területi mintákból származó szermaradékértékekkel végzett modellezések eredményei
alapján
a
mintavétel
bizonytalanságának
95%-os
relatív
konfidenciaintervalluma független a mintázandó egységre jellemző szermaradékvariabilitástól, továbbá a vizsgált tételek számának növekedésével csökken. Ezeket az
összefüggéseket
szermaradékértékekből
használtam becsült
fel
a
szerkísérletekből
mintavételi
származó
bizonytalanság
konfidenciaintervallumának meghatározásához. Szerkísérletek esetén a kísérleti területek száma – ahonnan az ismételt minták származtak –, akár a több százat is elérhette. Ezért a korábbi, vizsgált tételek számának mintavételi bizonytalanságra gyakorolt hatását reprezentáló modellezést a lehető legnagyobb számú rendelkezésre 62
álló területi elemi mintákból származó szermaradékértékeket tartalmazó terménynövényvédő szer kombináció adatsorral végeztem el. Az összesen 182 adatsor a következőkből adódott: 1. A fentebb részletesen leírt 18 sárgarépa- és petrezselyem-adatsor (104-120 elemi mintában mért szermaradékérték, 7 különböző termény-növényvédő szer kombinációjában) 2. Az anyag és módszer fejezet 3.1.3 alfejezetében leírt, Egyesült Királyságban végzett vizsgálatok során az alma-, banán-, burgonya-, kivi-, narancs-, őszibarack-, paradicsom- és szilvaminták szermaradékértékeit vizsgálták. A minták logisztikai központokban kerültek kiválasztásra: összesen 69, feltételezhetően azonos helyről származó terményeket tartalmazó tételből (Hill és Reynolds 2002). 3. 95 adatsor származott egy koordinált kutatási programból, mely során területi vizsgálatokat végeztek 13 országban leveles zöldségek, kis- és nagyméretű gyümölcsök egyedi termései (elemi minták) szermaradék-tartalmának meghatározása érdekében, mely az aktuális mezőgazdasági gyakorlatot reprezentálja világszerte. A kezelések körülményeit (hatóanyag, dózis, permetlé-koncentráció) rögzítették és jelentették. A kezelést a vizsgálatvezetők ellenőrizték (Ambrus 2009). A mintavétel a vizsgálatvezetők irányításával előre meghatározott random mintavételi helyekről történt. Huszonöt növényvédőszer-hatóanyagot vizsgáltak cikória-, cukkini-, cseresznye-, fejes káposzta-, fejes saláta-, feketeribizli-, földieper-, kelkáposzta-, mangó-, papaja-, szőlő-, és uborkamintákban. A 182 adathalmaz mindegyikéből, mely 100-130 elemi minta szermaradéktartalmából állt, 10 elemű összetett mintát vettem véletlen visszatevéses mintavétellel, 1000 alkalommal. A 10 szermaradékérték átlaga adta az összetett minta szermaradékértékét. A mintavételi eljárást két alkalommal ismételtem meg, így két adatbázist kaptam, mellyel a szerkísérletek során ismételten (az esetek döntő többségében duplikáltan) vett mintákra jellemző szituációt tudtam reprezentálni. A CVR értékeket a terjedelem statisztika alapján számítottam, 1,128-as faktorral. A CVR értékek 95%-os relatív konfidenciaintervallumát az 1000 duplikált minta CVR értékének 2,5. és 97,5. percentiliséből, és a megfelelő adatsorhoz tartozó átlagos CVR értékből a 19. egyenlet alapján számítottam. A CVR értékek 95%-os relatív konfidenciaintervallumát a 2, 4, 8, 16, 40, 80, 130, 160 és 182 tétel függvényében ábrázoltam. Az eredményeket a 18. ábra mutatja.
63
CVS értékek 95%-os konfidenciaintervalluma
3
2,5
2
1,5 y = 2,4679x-0,439 R² = 0,981
p2
1
0,5
0 0
50
100
150
200
Vizsgált tételek száma (L)
18. ábra. L tételből 2 ismétléssel vett, 10 elemű összetett minták szermaradékértékeiből számított CVS értékek 95%-os relatív tartománya (CIr0,95). Az illesztett görbe egyenlete (R2 = 0,981): CIr0,95 = 2,4679N −0,439
(25)
A terménycsoportok és a termények mintavételi bizonytalanság értékeinek (CVScs illetve CVSiKorr) relatív konfidenciaintervallum-értékeit a kísérleti területek száma (N) alapján a 25. egyenlettel számítottam ki. A relatív konfidenciaintervallum-értékeket megszorozva a becsült CVScs és CVSiKorr értékekkel megkaptam a terményekre és terménycsoportokra
vonatkozó
abszolút
(tényleges)
konfidenciaintervallum-
értékeket (CI). A kísérleti adatok modellezésének eredményei (a továbbiakban „empirikus módszer”) alapján számított konfidenciaintervallum-értékek valamivel nagyobbak voltak a Chi2 eloszlás alapján számított értékeknél (23. és 24. egyenlet), ahogy azt a 17. táblázat mutatja. A CVScs és CVSiKorr értékek felső konfidenciaszintjét az empirikus módszer alapján számítottam, de mivel a jellemző eloszlás aszimmetrikus (CVS - LCL < UCL - CVS), a Chi2 eloszlás arányait vettem figyelembe a számításnál. A 19. ábra példákkal illusztrálja a különböző terménycsoportokhoz tartozó termények CVSiKorr és az empirikus módszerrel számított CI értékeit.
64
Gyökér- és gumós zöldségek 0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Burgonya /104/ Cukorrépa /51/ Sárgarépa /39/ Retek /28/ Fehérrépa /9/ Cékla /8/ Metélőhagyma /7/ Jamgyökér /4/ Ginzeng (friss) /3/ Vörös ginzeng /3/
Bokron termő gyümölcsök 0,0
0,1
0,2
0,3
0,4
0,5
Áfonya /74/ Vörösáfonya /55/ Málna /22/ Földi szeder Málna és földi szeder /5/
Közepes méretű zöldségek 0,0
0,2
0,4
0,6
0,8
Paradicsom /624/ Paprika /503/ Hagyma (levél) /29/ Hagyma (gumó) /25/ Kukorica /7/ Csemegekukorica (levél) /4/
19. ábra. A CVSiKorr értékek empirikus módszerrel számított konfidenciaintervallumai különböző terménycsoportba tartozó termények esetén /mintapárok száma/. A konfidenciaintervallum-értékek tartománya a mintapárok számától függ, annál nagyobb, minél kevesebb számú mintapár állt rendelkezésre a számításhoz. További modellezést végeztem annak tanulmányozására, hogy a mintavétel bizonytalanságának és konfidenciaintervallumának becsléséhez véletlenszerűen 65
kiválasztott tételek száma milyen hatással van a becsült értékekre, illetve hogy felmérjem a becsült konfidenciaintervallum-értékek megbízhatóságát. A 182 elemi minta szermaradékértékeit tartalmazó adatsorból 4, 8, 16 és 20 adatsort véletlenszerűen, visszatevés nélkül kiválasztottam 15 alkalommal. (A 16 és 20 kiválasztott adatsor esetén a 15 ismétléshez nem volt elég a 182 adatsor, ezekben az esetekben véletlenszerűen kerültek újra kiválasztásra bizonyos adatsorok). Az ilyen módon 15-ször kiválasztott 4, 8, 16 és 20 adatsorból 10 elemű duplikált mintákat vettem véletlen visszatevéses módszerrel. A duplikált minták CVR értékét a terjedelem statisztika alapján számítottam. A 4, 8, 16 és 20 vizsgált tételből 15 alkalommal vett duplikált minták CVR értékének szórása 4,3%, 3,8%, 3,9% és 5,5%, az átlagos szórás 4,4% volt. A modellezés eredménye jelzi, hogy a becslés megbízható,
a
becsült
mintavételi
bizonytalanságra
és
annak
konfidenciaintervallumára az adott tételből származó mintában mért szermaradékok eloszlása, és koncentrációjának szintje minimális hatással van (20. ábra). Ez
a
összhangban
megállapítás
van
a
területi
mintákból
származó
szermaradékértékekkel végzett modellezésekből levont következtetéssel, miszerint a relatív
konfidenciaintervallum
gyakorlatilag
független
az
alapsokaság
variabilitásától.
CVS értékek 95%-os relatív konfidencia intervalluma
1,8 1,6 1,4 1,2 1
p2 L4
0,8
p2 L8 p2 L16
0,6
p2 L20
0,4 0,2 0 0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15
Ismétlés sorszáma
20. ábra. A 4, 8, 16 és 20 tételből 2 párhuzamosan vett 10 elemű összetett minták 15 ismétlésből számított CVS értékének átlagos 95%-os relatív konfidenciaintervalluma.
66
4.3 Területi és szerkísérletek alapján végzett modellezések összehasonlítása A szerkísérleteket általában kis területen, gyakran csak négy gyümölcsfán végzik, szigorúan szabályozott növényvédő szeres kezelést alkalmazva. Céljuk, hogy a kezelt terményeken
maximálisan
előforduló
szermaradékértékekről
szolgáljanak
információval, kritikus felhasználási körülmények mellett (az utolsó kezelés és a betakarítás közötti lehető legrövidebb idő, legmagasabb engedélyezett dózis és alkalmazási gyakoriság) (Ambrus 2016). Ennek következtében a szerkísérletek nem tükrözik
kellőképpen
az
általános
mezőgazdasági
gyakorlatot
jellemző
növényvédőszer-eloszlást az egyes területeken belül. A 14. táblázatban láthatók a szerkísérletekből számított, valamint a rendelkezésünkre álló adatokból származó, normál gyakorlat szerint kezelt területekről vett elemi mintákra vonatkozó mintavételi bizonytalanságértékek ugyanazon termények esetén (Ambrus és Soboleva
2004).
A
sárgarépa-
és
petrezselyemmintákban
mért
szermaradékértékekből számított CVS értékek saját becslések a 3.1.3 fejezetben leírt módszer alapján. Az összetett minták CVS értékét (CVSössz és CVSiKorr) a Codex Mintavételi Sztenderd szerint meghatározott minimális mintaméretre határoztam meg (CAC 1999) a 2. egyenlet alapján. A 15. táblázatban általános mezőgazdasági gyakorlat szerint kezelt területekről vett összetett minták szermaradékértékeiből számított mintavételi bizonytalanságot hasonlítottam össze a szerkísérletekből származó azonos termények mintavételi bizonytalanság értékeivel. Előbbi összetett minták a Baseline projekt során vett, a 3.1.1 fejezetben részletezett gyakorlat szerint kezelt területekről származnak, az analízis a 3.1.2 fejezetben leírt módon történt. Tíz elemi mintából álló összetett mintát vettek 4 ismétléssel alma, egres, fejes saláta, sárgarépa és petrezselyem terményekből. A CVSössz értékeket terjedelem statisztikával számítottam. Mindkét esetben hasonló tendencia mutatkozott. Kivételt képez a papaja, a földieper, a fejes káposzta, a sárgarépa és a petrezselyem (14. táblázat), ahol a CVSössz/CVSiKorr arány 0,44 és 0,70 közé esett. Mivel nagyon valószínűtlen, hogy a szerkísérletek során nagyobb variabilitás mutatkozna, mint területi minták esetén, ezeket az értékeket nem vettem figyelembe. Mivel jelentős eltérés volt a mintapárok számában (N), melyekből a CVS értékeket meghatároztam, illetve a szerkísérletekben a mintaméretek általában nem pontosan meghatározottak; a területi minták és a szerkísérleti minták szermaradékértékeiből számított CVS értékek pontos összehasonlítása nem lehetséges. A becslések bizonytalanságát figyelembe véve egy kerekített, 1,2 értékű korrekciós faktor
67
alkalmazását ajánlom a területi minták potenciálisan magasabb szermaradékvariabilitásának figyelembevételére a szerkísérleti adatokból becsült CVS értékek korrigálására gyakorlati felhasználás esetén. 14. táblázat. Általános gyakorlat szerint kezelt területekről származó elemi minták, valamint szerkísérletekből származó összetett minták szermaradékértékeiből számított mintavételi bizonytalanságértékek összehasonlítása. Területi elemi minták
Termény
N CVSprim CVSössz Alma Körte Narancs Barack Szilva Burgonya Paradicsom Közepes méretű termények Mangó Papaja Sárgadinnye Szőlő Uborka Banán Nagyméretű termények Földieper Bogyós gyümölcsök Cseresznye Kisméretű gyümölcsök Saláta Fejes káposzta Sárgarépa Petrezselyem Átlag
19 4 15 7 8 8 4
14 4 4 14 14 2 9 2 7 10 7 10 9
0,82 0,88 0,90 1,08 0,91 1,06 1,45
0,26 0,28 0,28 0,34 0,29 0,33 0,46
1,01 0,73 0,60 0,87 0,75 0,80 1,03 0,76 0,66 0,80 0,94 0,80 0,75 0,41 0,60 0,65
0,32 0,33 0,27 0,39 0,33 0,36 0,46 0,34 0,21 0,25 0,30 0,25 0,34 0,18 0,19 0,20
Szerkísérletekből származó minták CVSössz/CVSiKorr N CVSiKorr 636 316 328 409 344 104 624
494 13 77 494 111 47 215 171 189 769 398 39 2
0,22 0,22 0,23 0,34 0,35 0,19 0,36
1,17 1,25 1,21 1,01 0.82 1,78 1,29
0,27 0,30 0,46 0,42 0,30 0,33 0,28 0,30 0,33 0,18 0,23 0,33 0,31 0,35 0,43 0,29
1,19 1,10 0,58 0,92 1,13 1,07 1,66 1,13 0,62 1,40 1,28 0,76 1,07 0,52 0,44 0,70 1,15
Megjegyzés: A táblázatban minták méretét a Codex Mintavételi Sztenderd meghatározott követelmények alapján újrakalkuláltam (CAC 1999).
68
15. táblázat. Általános gyakorlat szerint kezelt területekről származó összetett minták, valamint szerkísérletekből származó összetett minták szermaradékértékeiből számított mintavételi bizonytalanságértékek összehasonlítása. Területi összetett minták
Szerkísérletekből származó minták CVSössz/ CVSiKorr N CVSiKorr LCL UCL
Termény
N
CVSössz
LCL
UCL
Alma Bogyós gyümölcsök Fejes saláta Sárgarépa Petrezselyem Átlag
137
0,34
0,17
0,77
636
0,22
0,20
0,24
1,52
104 42 29 24
0,32 0,28 0,44 0,21
0,11 0,00 0,20 0,02
0,73 1,21 0,67 0,40
171 769 36 2
0,18 0,31 0,43 0,29
0,29 0,35 0,15
0,34 0,55 1,83
1,78 0,90 1,03 0,70 1,19
4.4 Javasolt mintavételi bizonytalanságértékek cselekvési küszöbérték meghatározásához Az ismételt minták adatbázisából származó 12 087 független szerkísérleti vizsgálat alapján meghatároztam a mintavételi bizonytalanságértékeket 106 egyedi terményre (16. táblázat) és 24 terménycsoportra (17. táblázat). A táblázatokban szereplő CVSprim értékeket a 2. egyenlet alapján számítottam az összetett minták 1,2-es faktorral korrigált átlagos mintavételi bizonytalanságából. Nyers termények (pl. friss zöldségek, gyümölcsök) esetén a nagymértékű szermaradék-variabilitás miatt a mintavétel bizonytalansága néhány mérés alapján nem határozható meg. A mintavétel bizonytalanságának alábecslése komoly következménnyel járhat a termékek piacra kerülése előtti határértékeknek való megfelelőség ellenőrzésekor. Ezért a 16. és 17. táblázatban a becsült átlagos mintavételi bizonytalanságértékek mellett a felső konfidenciaintervallum-értékeket (UCLprim) is feltüntettem. A döntéshozatalért felelős személy feladata eldönteni, hogy a táblázatban elemi mintákra feltüntetett átlagos mintavételi bizonytalanságértékeket (CVSprim), vagy azok felső konfidenciaintervallum-értékét (UCLprim) alkalmazza a termékek piacra kerülése előtti ellenőrzésekor a cselekvési küszöbérték kiszámításához. Az elemi minták CVS értékeiből egyszerűen számítható (CVSn=CVSprim/√n) az aktuális szituációra vonatkozó mintaméretnek (n) megfelelő mintavételi bizonytalanságérték önellenőrzésre készülő mintavételi terv készítésekor.
69
16.a táblázat. Terménycsoportok és a csoportokba tartozó termények mintavételi bizonytalansága. Terménycsoport
Kisméretű gyümölcsök
Bokron termő gyümölcsök
Közepes méretű gyümölcsök
Termény Szilva
Káposztafélék
Tökfélék
UCLprim
0,318 0,298
0,384 0,376
1,323 1,266
1,458 1,427
189 74 55 22 15 636 409 328 316 195 99 47 36 10 9 8 494 32 21
0,233 0,190 0,145 0,203 0,170 0,221 0,338 0,234 0,224 0,254 0,313 0,278 0,388 0,520 0,170 0,127 0,295 0,202 0,347
0,207 0,161 0,120 0,157 0,129 0,206 0,310 0,213 0,204 0,227 0,269 0,228 0,312 0,387 0,126 0,094 0,273 0,161 0,268
0,265 0,232 0,181 0,286 0,257 0,238 0,370 0,259 0,248 0,289 0,372 0,354 0,511 0,854 0,286 0,220 0,320 0,270 0,494
0,886 0,723 0,550 0,770 0,647 0,838 1,282 0,889 0,850 0,965 1,188 1,055 1,474 1,973 0,646 0,482 0,792 0,542 0,932
1,006 0,879 0,688 1,086 0,976 0,902 1,403 0,982 0,941 1,095 1,411 1,344 1,938 3,239 1,087 0,835 0,860 0,723 1,325
13 72 40
0,464 0,275 0,422
0,349 0,231 0,341
0,721 0,335 0,548
1,246 1,042 1,601
1,934 1,271 2,078
36 18 17 15
0,315 0,406 0,290 0,384
0,253 0,310 0,221 0,291
0,414 0,592 0,427 0,580
1,195 1,539 1,100 1,458
1,572 2,246 1,621 2,200
13 624 503 29
0,269 0,356 0,364 0,351
0,202 0,332 0,336 0,278
0,417 0,384 0,395 0,476
1,021 1,352 1,381 1,334
1,584 1,457 1,498 1,805
Karfiol
44 398 205 73
0,439 0,353 0,267 0,306
0,358 0,323 0,239 0,258
0,563 0,386 0,302 0,372
1,665 0,947 0,717 0,820
2,137 1,037 0,811 0,999
Kelbimbó Uborka Tök Görögdinnye Sárgadinnye
22 111 77 74 64
0,336 0,333 0,422 0,349 0,386
0,261 0,288 0,357 0,294 0,323
0,474 0,391 0,512 0,424 0,476
0,902 0,893 1,134 0,936 1,035
1,273 1,050 1,374 1,138 1,277
11 769 345 304
0,155 0,314 0,159 0,272
0,116 0,294 0,145 0,247
0,249 0,336 0,175 0,301
0,416 1,193 0,602 1,031
0,668 1,276 0,663 1,143
Földieper Cseresznye Áfonya Vörösáfonya Málna Szeder Alma Őszibarack Narancs Körte Citrom Grapefruit Banán
Szőlő Mangó Ananász Papaja Bab
Közepes méretű zöldségek
CVSprim
0,349 0,334
Nektarin Japán őszibarack
Hüvelyes zöldségek
LCLössz1 UCLössz1
344 215
Mandarin Avokádó
Nagyméretű gyümölcsök
N CVSiKorr Élelmiszerek
Babnövény Borsó (szukkulens magvak) Borsó (ehető, fejtett) Komló (friss) Limabab Szójabab Paradicsom Paprika Zöldhagyma Hagyma (gumó) Fejes káposzta Brokkoli
Padlizsán Fejes saláta Leveles zöldségek Mustár zöld Spenót
70
Terménycsoport
Termény Cukorrépa (levél) Retek (levél) Tea, friss Mentalevél (feldolgozásra szánt) Endívia Repce Bazsalikom
18 16 16 12
0,192 0,090 0,212 0,073
0,147 0,068 0,161 0,055
0,281 0,134 0,316 0,115
0,730 0,342 0,806 0,277
1,066 0,510 1,201 0,438
8 104 51 39 28 9 8 267
0,116 0,188 0,404 0,430 0,283 0,203 0,257 0,203
0,086 0,162 0,333 0,348 0,223 0,151 0,190 0,184
0,200 0,223 0,510 0,560 0,385 0,342 0,445 0,227
0,438 0,715 1,535 1,633 1,074 0,771 0,975 0,772
0,759 0,845 1,937 2,126 1,461 1,298 1,688 0,861
8 137 128 68
0,070 0,483 0,366 0,283
0,051 0,423 0,319 0,238
0,120 0,560 0,426 0,347
0,264 1,834 1,388 1,075
0,457 2,127 1,617 1,318
Búzaszem Rizsszem Árpaszem Hántolatlan rizs
13 86 64 63 62
0,368 0,295 0,136 0,201 0,183
0,276 0,251 0,114 0,168 0,152
0,571 0,354 0,168 0,248 0,226
1,396 1,118 0,517 0,763 0,693
2,166 1,342 0,637 0,942 0,857
Cirokmag
27
0,169
0,133
0,231
0,641
0,876
Cukornád Mandula Pekán
15 60
0,688 0,166
0,521 0,138
1,038 0,206
2,610 0,629
3,939 0,781
39 130 52 23
0,219 0,347 0,175 0,224
0,177 0,302 0,144 0,175
0,286 0,403 0,220 0,314
0,832 1,316 0,663 0,851
1,083 1,531 0,836 1,192
21
0,560
0,433
0,797
2,127
3,024
21
0,348
0,269
0,495
1,322
1,879
0,574
0,439
0,838
2,178
3,178
0,207 0,487 0,125
0,184 0,399 0,100
0,236 0,619 0,168
0,787 1,847 0,476
0,896 2,347 0,639
0,261 0,237 0,385 0,230 0,363 0,229
0,197 0,211 0,336 0,196 0,304 0,180
0,406 0,268 0,447 0,277 0,448 0,311
0,992 0,898 1,462 0,874 1,378 0,868
1,540 1,017 1,698 1,051 1,700 1,180
Cékla (levél) Burgonya Cukorrépa Gyökér- és gumós Sárgarépa zöldségek Retek
Száras zöldségek
Száraz hüvelyesek
Gabonafélék magja
Fűfélék cukorvagy szirupgyártáshoz Diófélék
Olajos magvak
Magvak italokhoz, édességhez
Hüvelyes takarmányok
N CVSiKorr LCLössz1 UCLössz1 CVSprim UCLprim 261 0,290 0,262 0,324 1,099 1,228 61 0,251 0,209 0,311 0,952 1,179 52 0,727 0,599 0,915 2,758 3,474
Karalábé Cékla (gyökér) Zeller Articsóka Bab (száraz) Szójabab (száraz) Borsó (száraz) Limabab (száraz)
Gyapotmag Földimogyoró Repce (mag) Gyapot (hántolatlan magok) Napraforgómag
Kávébab (száraz) Szója Lucerna Bab Földimogyoró Szója (széna) Földimogyoró (széna) Árpa (szalma)
Hüvelyes takarmányok szalmája, szénája Lucerna (széna) Borsó (széna)
18 Takarmányok 184 48 31 13 199 133 85 64 28
71
Terménycsoport
Termény
N
Bab (széna) Búza (szalma) Kukorica (takarmány) Búza (széna) Kukorica (szalma) Takarmánygabona
Árpa (takarmány) Cirok (takarmány) Rizs (szalma) Rizs (hajtás)
CVSprim
UCLprim
14 353 247 191 110 93
0,369 0,239 0,347 0,231 0,360 0,291
0,279 0,218 0,312 0,206 0,311 0,249
0,565 0,263 0,388 0,263 0,424 0,347
1,402 0,907 1,316 0,878 1,367 1,102
2,144 0,998 1,473 0,997 1,610 1,315
72 66 16 12 9
0,334 0,369 0,101 0,351 0,155
0,281 0,309 0,076 0,263 0,115
0,407 0,453 0,150 0,554 0,261
1,267 1,399 0,382 1,333 0,588
1,546 1,720 0,569 2,103 0,989
8
0,155
0,115
0,268
0,588
1,018
8 87
0,155 0,234
0,115 0,199
0,268 0,281
0,588 0,887
1,018 1,065
9 238 89 58
0,155 0,247 0,147 0,239
0,115 0,222 0,125 0,199
0,261 0,277 0,176 0,298
0,588 0,936 0,557 0,908
0,989 1,050 0,667 1,131
Rozs (szalma) Zab (levél) Füves takarmány (széna)
Csillagpázsit
Füves takarmány (szalma)
Csillagpázsit
Szárított fűszernövények Feldolgozási melléktermékek 1
Komló (szárított) Bazsalikom (szárított) Mandulaburok Földimogyoróhéj Gyapot melléktermék
LCLössz1 UCLössz1
CVSiKorr
Összetett mintákra számított LCL és UCL értékek
16.b táblázat. Termények mintavételi bizonytalansága ABC sorrendben. Termény
CVSiKorr LCLössz1 Élelmiszerek
N
Áfonya
74
Alma Ananász
636 21
UCLössz1
CVSprim
UCLprim
0,190 0,221
0,161 0,206
0,232
0,723
0,879 0,902
0,238
0,838
0,268 0,168
0,494
0,932
0,248
0,763
1,325 0,942
Árpaszem
63
0,347 0,201
Articsóka Avokádó
8
0,070
0,051
0,120
0,264
0,457
10
0,520
0,387
0,854
1,973
3,239
Bab
72
0,275
0,231
0,335
1,042
1,271
Bab (száraz)
137
0,483
0,423
0,560
1,834
2,127
Babnövény Banán
40
0,422
0,341
0,548
1,601
2,078
47
1,055
12
0,228 0,055
0,354
Bazsalikom
0,278 0,073
0,115
0,277
1,344 0,438
Borsó (ehető, fejtett) Borsó (száraz) Borsó (szukkulens magvak) Brokkoli
18
0,406
0,310
0,592
1,539
2,246
68
0,283
0,238
0,347
1,075
1,318
36
0,315 0,267
0,253 0,239
0,414
1,195
205
0,302
0,717
1,572 0,811
Burgonya
104
0,188
0,162
0,223
0,715
0,845
Búzaszem
86
0,251 0,190
0,354
1,118
0,445
0,975
1,342 1,688
Cékla (gyökér)
8
0,295 0,257
Cékla (levél)
8
0,116
0,086
0,200
0,438
0,759
27
0,169
0,133
0,231
0,641
0,876
195
0,254
0,227
0,289
0,965
1,095
Cirokmag Citrom
72
Termény
N
CVSiKorr
LCLössz1
UCLössz1
CVSprim
UCLprim
Cukornád
15
0,688
0,521
1,038
2,610
3,939
Cukorrépa
51
0,404
0,333
0,510
1,535
1,937
Cukorrépa (levél)
261
0,290
0,262
0,324
1,099
1,228
Cseresznye Görögdinnye
189
0,233
0,207
0,265
0,886
1,006
74
0,349
0,294
0,424
0,936
1,138
16
0,068 0,294
0,134
0,342
0,336
1,193
0,510 1,276
Endívia Fejes saláta
769
0,090 0,314
Földieper
215
0,334
0,298
0,376
1,266
1,427
Földimogyoró
52
0,175
0,144
0,220
0,663
0,836
Grapefruit Gyapot (hántolatlan magok)
99
0,313
0,269
0,372
1,188
1,411
21
0,560
0,433
0,797
2,127
3,024
Gyapotmag Hagyma (gumó)
130
0,347
0,302
0,403
1,316
1,531
44
1,665
62
0,358 0,152
0,563
Hántolatlan rizs
0,439 0,183
0,226
0,693
2,137 0,857
Japán őszibarack
8
0,127
0,094
0,220
0,482
0,835
Káposzta (fejes)
398
0,353
0,323
0,386
0,947
1,037
9
0,203
0,151
0,342
0,771
1,298
Karfiol
73
0,306
0,258
0,372
0,820
0,999
Kávébab (száraz)
18
0,574
0,439
0,838
2,178
3,178
Kelbimbó
22
0,336
0,261
0,474
0,902
1,273
Komló (friss)
17
0,290
0,221
0,427
1,100
1,621
316
0,224
0,204
0,248
0,850
0,941
Limabab Limabab (száraz)
15
0,384
0,291
0,580
1,458
2,200
13
0,368
0,276
0,571
1,396
2,166
Málna
22
0,203
0,157
0,286
0,770
1,086
Mandarin
36
0,388
0,312
0,511
1,474
1,938
Mandula
60
0,166
0,138
0,206
0,629
0,781
Mangó Mentalevél (feldolgozásra szánt)
32
0,202
0,161
0,270
0,542
0,723
18
0,192
0,147
0,281
0,730
1,066
Mustár zöld Napraforgómag
345
0,159
0,145
0,175
0,602
0,663
21
0,348
0,269
0,495
1,322
1,879
Narancs
328
0,234
0,213
0,259
0,889
0,982
Nektarin
9
0,170
0,126
0,286
0,646
1,087
Karalábé
Körte
Őszibarack
409
0,338
0,310
0,370
1,282
1,403
Padlizsán
11
0,155
0,116
0,249
0,416
0,668
Papaja Paprika
13
0,349 0,336
0,721
1,246
503
0,464 0,364
0,395
1,381
1,934 1,498
624
0,356
0,332
0,384
1,352
1,457
Paradicsom Pekán
39
0,219
0,177
0,286
0,832
1,083
Repce
16
0,212
0,161
0,316
0,806
1,201
Repce (mag)
23
0,224
0,175
0,314
0,851
1,192
Retek
28
0,283
0,223
0,385
1,074
1,461
Retek (levél)
61
0,251
0,209
0,311
0,952
1,179
Rizsszem
64
0,136
0,114
0,168
0,517
0,637
73
Termény
N
CVSiKorr
LCLössz1
UCLössz1
CVSprim
UCLprim
Sárgadinnye
64
0,386
0,323
0,476
1,035
1,277
Sárgarépa
39
0,430
0,348
0,560
1,633
2,126
Spenót Szeder
304
0,272
0,247
0,301
1,031
1,143
15
0,170
0,129
0,257
0,647
0,976
Szilva
344
0,349
0,318
0,384
1,323
1,458
13
0,269
0,202
0,417
1,021
1,584
Szójabab (száraz)
128
0,366
0,319
0,426
1,388
1,617
Szőlő
494
0,295
0,273
0,320
0,792
0,860
Tea, friss
52
0,727
0,599
0,915
2,758
3,474
Tök
77
0,422
0,357
0,512
1,134
1,374
111
0,333
0,288
0,391
0,893
1,050
55
0,145
0,120
0,181
0,550
0,688
267
0,203 0,351
0,184 0,278
0,227
0,772
0,476
1,334
0,861 1,805
Szójabab
Uborka Vörösáfonya Zeller Zöldhagyma
29
Takarmányok Árpa (szalma)
85
0,230
0,196
0,277
0,874
1,051
Árpa (takarmány)
93
0,291
0,249
0,347
1,102
1,315
Bab
31
0,125
0,100
0,168
0,476
0,639
Bab (széna)
14
0,369
0,279
0,565
1,402
2,144
9
0,155
0,115
0,261
0,588
0,989
Bazsalikom (szárított) Borsó (széna) Búza (szalma)
28
0,229
0,180
0,311
0,868
1,180
353
0,239
0,218
0,263
0,907
0,998
Búza (széna)
191
0,231 0,334
0,206 0,281
0,263
0,878
0,407
1,267
0,997 1,546
0,115 0,115
0,268
0,588
8
0,155 0,155
0,268
0,588
1,018 1,018
13
0,261
0,197
0,406
0,992
1,540
Cirok (takarmány) Csillagpázsit Csillagpázsit Földimogyoró Földimogyoró (széna)
72 8
133
0,385
0,336
0,447
1,462
1,698
Földimogyoróhéj
89
0,147
0,125
0,176
0,557
0,667
Gyapot melléktermék
58
0,239
0,199
0,298
0,908
1,131
Komló (szárított) Kukorica (szalma)
87
0,234
0,199
0,281
0,887
1,065
110
0,360
0,311
0,424
1,367
1,610
247
0,347
0,312
0,388
1,316
1,473
48
0,487
0,399
0,619
1,847
2,347
Lucerna (széna)
64
0,363
0,304
0,448
1,378
1,700
Mandulaburok Rizs (hajtás)
238
0,247
0,222
0,277
0,936
1,050
16
0,101
0,076
0,150
0,382
0,569
Rizs (szalma)
66
0,369
0,309
0,453
1,399
1,720
Rozs (szalma) Szója
12
0,351
0,263
0,554
1,333
2,103
184
0,207
0,184
0,236
0,787
0,896
Szója (széna)
199
0,237
0,211
0,268
0,898
1,017
9
0,155
0,115
0,261
0,588
0,989
Kukorica (takarmány) Lucerna
Zab (levél) 1
Összetett mintákra számított LCL és UCL értékek.
74
A saját kutatási eredmények, valamint az irodalmi adatok alapján (Lyn et al. 2007b) a kevesebb, mint 8 mintapárból (N) számított mintavételi bizonytalanságértékek nem megbízhatóak, ezért a 16. és 17. táblázatban nem tüntettem fel azokat a terményeket, ahol N < 8 mintapár állt rendelkezésre. A terménycsoportokra számított súlyozott átlagok számításakor azonban az összes értéket figyelembe vettem. Azon termények, illetve terménycsoportok esetén, ahol 8 ≤ N > 20, az értékek körültekintéssel kezelendőek, további rendelkezésre álló információ esetén finomítás szükséges. A kockázatkezelő vagy egyéb felelős személy feladata eldönteni, hogy ezekben az esetekben a terményre, vagy a megbízhatóbbnak tekinthető adott terménycsoportra vonatkozó CVSprim, vagy UCLprim értékeket választja. Azon termények vagy terménycsoportok esetén, amelyeket nem fednek le a megadott becsült mintavételi bizonytalanságértékek, célszerű minimum 8 tételéből függetlenül 6-6 párhuzamos mintát venni és azok alapján számítani a mintavétel bizonytalanságát, melynek a relatív 95%-os konfidenciaintervalluma 50%-on belül várható (4.1.4 fejezet).
75
17. táblázat. Terménycsoportok mintavételi bizonytalansága, valamint a konfidenciaintervallumok a két különböző számítási módszerrel. M
1
N
CVS
Chi2 eloszlás alapján LCL UCL CI
Szárított fűszernövények
768 2139 560 1211 171 211 698 337 1872 256 276 346 340 15 101 247 22 288 523 1176 19 18 99
0,33 0,27 0,30 0,36 0,18 0,33 0,32 0,37 0,29 0,30 0,20 0,40 0,21 0,71 0,19 0,33 0,55 0,28 0,30 0,29 0,22 0,15 0,23
0,31 0,26 0,28 0,35 0,16 0,31 0,31 0,34 0,28 0,28 0,18 0,38 0,20 0,52 0,17 0,30 0,42 0,26 0,27 0,28 0,17 0,12 0,20
0,34 0,28 0,32 0,38 0,20 0,37 0,34 0,40 0,31 0,33 0,22 0,44 0,23 1,09 0,23 0,36 0,78 0,31 0,30 0,30 0,32 0,23 0,26
0,03 0,02 0,03 0,03 0,04 0,06 0,03 0,06 0,02 0,06 0,04 0,06 0,03 0,57 0,05 0,06 0,35 0,05 0,03 0,02 0,15 0,11 0,06
0,30 0,25 0,28 0,34 0,16 0,30 0,30 0,33 0,28 0,27 0,18 0,37 0,19 0,53 0,17 0,30 0,43 0,26 0,26 0,27 0,17 0,12 0,20
0,35 0,28 0,32 0,38 0,20 0,38 0,35 0,40 0,31 0,34 0,22 0,45 0,23 1,06 0,23 0,37 0,77 0,31 0,31 0,32 0,32 0,23 0,27
Feldolgozási melléktermékek
391
0,23
0,21
0,24
0,03
0,21
0,25
Terménycsoportok Kisméretű gyümölcsök
4 12 4 4 4 7 4 5 11 6 2 4 6 1 2 5 1 4 6 10 2 1 2
Közepes méretű gyümölcsök Nagyméretű gyümölcsök Közepes méretű zöldségek Bokron termő gyümölcsök Hüvelyes zöldségek Káposztafélék Tökfélék Leveles zöldségek Gyökér- és gumós zöldségek Száras zöldségek Száraz hüvelyesek Gabonafélék magja Fűfélék cukor- vagy szirupgyártáshoz Diófélék Olajos magvak Magvak italokhoz, édességhez Hüvelyes takarmányok Hüvelyes takarmányok szalmája, szénája Takarmánygabona Füves takarmány (széna) Füves takarmány (szalma)
3 1
A terménycsoportokba tartozó terménytípusok száma
Empirikus módszer LCL UCL* CI
CVSprim
UCL*prim
0,04 0,02 0,05 0,04 0,05 0,08 0,05 0,07 0,03 0,07 0,04 0,08 0,04 0,53 0,06 0,07 0,35 0,06 0,05 0,05 0,15 0,11 0,07
1,24 1,01 0,80 1,37 0,67 1,27 0,87 0,98 1,12 1,14 0,76 1,53 0,81 2,68 0,74 1,26 2,08 1,07 1,14 1,10 0,84 0,59 0,86
1,32 1,05 0,86 1,45 0,76 1,43 0,93 1,08 1,17 1,28 0,85 1,69 0,89 4,04 0,87 1,41 2,93 1,19 1,16 1,20 1,21 0,86 1,02
0,04
0,86
0,94
4.5 Szermaradékértékek kombinált bizonytalanságának felhasználása határértéknek való megfelelőség ellenőrzéséhez Az MRL-definíció nem foglalkozik a kereskedelmi forgalomba került árukból vett minták ellenőrzése során a mért szermaradékértékek – mintavételi bizonytalanságot is magában foglaló – kombinált bizonytalanságával. A helyes döntést a mérési eredmények bizonytalanságának (CVL) figyelembevételével kell meghozni. A piacra kerülés előtti ellenőrzések előtt azonban a mintavétel bizonytalanságát is tartalmazó CVR-t kell figyelembe venni. Éppen
ezért
az
élelmiszerekben
előforduló
növényvédőszer-maradékok
határértéknek való megfelelőség ellenőrzése során két teljesen különböző szituációról beszélhetünk. Különbözőképpen kell értékelni a piacra kerülést követő hatósági ellenőrzést és a piacra kerülés előtti önellenőrzést, amit a termelő végez. 4.5.1 Hatósági ellenőrzés piacra kerülés után A 178/2002 EK-rendelet (EPT 2002) a forgalmazót teszi felelőssé azért, hogy a forgalomba hozott termékek megfeleljenek a vonatkozó minőségi és egyéb élelmiszerbiztonsági előírásoknak. A vonatkozó szermaradékhatárérték-előírások a szabvány szerint (CAC 1999; EB 2002) vett összetett minta átlagos szermaradéktartalmára vonatkoznak, ami azt jelenti, hogy például egy tételből véletlen mintavétellel vett minden 10 db alma vagy 1 kg paradicsom átlagos szermaradéktartalma nem haladhatja meg a határértéket. A hatósági ellenőrzés során a mintában mért szermaradékértéket nem közvetlenül a határértékhez hasonlítják. A szabályozó hatóságok általában a JCGM-útmutatót követik és abban az esetben utasítanak vissza egy tételt, ha a tételből vett laboratóriumi minta szermaradék-tartalma minden kétséget kizáróan meghaladja a maximálisan megengedett szintet a kiterjesztett mérési bizonytalanságot is figyelembe véve. Az Európai Unióban a növényvédőszer-maradékok átlagos mérési bizonytalanságát 25%-ban határozták meg. Ennek kétszeresét, az ún. „kiterjesztett mérési bizonytalanságot” vonják le a mért szermaradékértékből és az így kapott értéket hasonlítják az MRL-hez a mintázott tételre vonatkozó döntés meghozatalakor (SANTE 2015), ami azt jelenti, hogy a mért szermaradékértéknek az MRL kétszeresét kell meghaladnia ahhoz, hogy visszautasításra kerüljön az adott tétel. Ezt a döntési szabályt alkalmazva az esetek legfeljebb 2,5%-ában kerül a tétel hibásan visszautasításra.
77
4.5.2 Piacra kerülés előtti önellenőrzés Piacra kerülés előtti ellenőrzés során azt kell igazolni, hogy a tételből a hivatalos mintavételi előírásnak megfelelően vett bármely összetett minta szermaradéktartalma megfelel a vonatkozó MRL-előírásnak. Ezért a tétel megfelelőségének ellenőrzésekor a mért értékek kombinált bizonytalanságát (CVR) kell figyelembe venni, beleértve a mintavétel bizonytalanságát is. Ennek megfelelően nem szabad a mért értéket közvetlenül az MRL-hez hasonlítani. Amennyiben a tétel átlagos szermaradék-koncentrációja 0,1 mg/kg, és a határérték is éppen 0,1 mg/kg, de a tételből vett minta szermaradék-tartalma < 0,1 mg/kg, a tétel „megfelelt”. Azonban, ahogy azt a 21. ábra szemlélteti, az esetek közel 45%-ában rossz döntést hozunk a tétel elfogadásával. Következésképpen egy határértéknél alacsonyabb értékhez, az ún. cselekvési küszöbértékhez (action limit, AL) kell hasonlítanunk a minta szermaradékértékét. Ezt a szintet nem haladhatja meg a mért szermaradékkoncentráció a kombinált bizonytalanságot is figyelembe véve termelői önellenőrzés során. A cselekvési küszöbérték, az MRL és a döntési koncentráció egymáshoz való
0,8
100%
0,7
90% 80%
0,6 70% 0,5
60%
rel frequ. 0,4
50%
Cum frequ
40%
0,3
30% 0,2 20% 0,1
10%
0
0% 0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
Szermaradékértékek kumulatív gyakorisága
Szermaradékértékek relatív gyakorisága
viszonyát a 22. ábra szemlélteti (Farkas et al. 2015b).
0,4
Szermaradékérték (mg/kg)
21. ábra. Szermaradékok eloszlása 10 gyümölcsöt tartalmazó, összetett almamintákban. A tétel átlagos szermaradék-tartalma 0,1 mg/kg; CVR=0,35; MRL=0,1 mg/kg.
78
AL = 0,4 mg/kg
18
átlag=1; CV=0,25
Relatív gyakoriság [%]
16
átlag=0,363; CV=0,385
14 12
MRL = 1 mg/kg
10 8
Döntési koncentráció: 2 mg/kg
6 4 2 0 0
0,5
1
1,5
2
Szermaradékérték (mg/kg)
22. ábra. A szermaradékok eloszlása 10 elemű összetett mintában a termék forgalmazása előtti és a piaci hatósági ellenőrzés során. 4.5.3 Cselekvési küszöbérték kiszámítása piacra kerülés előtti önellenőrzés céljából A cselekvési küszöbérték a mért szermaradékérték kombinált bizonytalanságát (CVR) (5. egyenlet) és a célzott megfelelőségi szintet figyelembe véve számítható ki. A cselekvési küszöbérték és az MRL viszonya a következő egyenletekkel fejezhető ki: AL + k × CVR × AL = MRL AL =
MRL 1+kCVR
(26) (27)
A közelítő számítás a mért szermaradék kombinált bizonytalanságát tekinti az egyedüli ingadozásforrásnak. A CVR a mintavétel és a vizsgálati lépések bizonytalanságából számítható, a mért szermaradékértékből és a CVR értékből a szórás meghatározható. A k értéke a megállapodás szerinti elfogadható nemmegfelelőségi aránytól (βv), vagy a tétel megfelelőségi arányától (βt) függ a vonatkozó szabályozásban meghatározott minimális mintamérethez viszonyítva. A CVR érték normális eloszlása esetén – mely ≥ 25 elemszámú gyümölcs- és zöldségmintáknál feltételezhető –, k egyenlő a vonatkozó sztenderd normál változó, a Z értékével. Normális eloszlás feltételezhető továbbá folyadékok, valamint feldolgozott termékek (pl. paradicsompüré) esetén. Megjegyzendő azonban, hogy egyéb esetekben a növényvédőszer-maradékok relatív gyakorisági eloszlása legjobban lognormális eloszlással jellemezhető.
79
4.5.3.1 Cselekvési küszöbérték kiszámítása adott megfelelési valószínűséghez Amennyiben xi eloszlása leírható a lognormális funkcióval, a transzformált változó yi=Ln(xi) normális eloszlású. Ha xi eloszlás átlagértéke m, szórása s, akkor a transzformált változóhoz, yi-hez M átlag és S szórás tartozik. M és S a következő egyenletekkel számítható ki m-ből és s-ből: m2
M = Ln (
)
(28)
S 2 = Ln (m2 + 1)
(29)
√(s2 +m2 ) s2
Mivel yi normális eloszlású, Pi valószínűség (0 és 1 között) M átlagú és S szórású eloszlásban előforduló bármely yi érték esetén kiszámítható a normális eloszlás táblázatokból a sztenderd egyenlet segítségével: Z=
(yi −M) S
yi = M + Z × S
(30) (31)
A mintavételi tartományban m értéke az MRL, xi pedig a cselekvési küszöbérték (AL). Jellemzően xi ≤ m (AL ≤ MRL), ezért Z nulla és egy negatív érték közé fog esni, általában 0,0 és -3,5 közé, a meghatározott elfogadási valószínűség (βt) alapján. Amint m-et és s-t átalakítottuk M-mé és S-sé, és megadtuk az elfogadási valószínűséget (ami Z-t meghatározza), yi kiszámítható a 31. egyenlet alapján. Ezután xi kiszámítható yi visszaalakításával (back transformation): xi = exp(yi )
(32)
ahol xi a cselekvési küszöbérték a lineáris skálán. 4.6 Mintavételi tervek optimalizálása 4.6.1 A laboratóriumi fázis bizonytalanságának optimalizálása növényvédőszermaradékok meghatározása során A laboratóriumoknak a vizsgálati folyamat egyes lépéseinél olyan módszereket érdemes alkalmazni, amellyel biztosítják, hogy a mért szermaradékértékek véletlen és szisztematikus hibája a lehető legkisebb legyen, illetve a vizsgálat céljának megfeleljen. A mintavétel, a homogenizálás és az analízis bizonytalanságának hatását a mért szermaradékérték kombinált bizonytalanságára a 18. táblázat szemlélteti.
80
Ahogy az a táblázatból látható, laboratóriumi párhuzamos vizsgálatoknak csak akkor van értelme, ha az ismételt művelet bizonytalansága lényegesen magasabb, mint a többi komponensé (1-8. sor). A homogenizált mintából kivett tesztadagok párhuzamos extrakciója általában nem csökkenti számottevően az eredmény bizonytalanságát, kivéve, amikor a tesztadag tömege 2-5 g, szemben a szokásos 1520 grammal (Lehotay et al. 2005). Az is látható továbbá, hogy az eredmény általában sokkal megbízhatóbb, ha a laboratóriumi párhuzamos vizsgálat helyett nem egy, hanem legalább két egymástól függetlenül vett véletlen mintát egy-egy ismétlésben analizálunk. Ez az eljárás akkor javasolható, ha a második minta vétele nem növeli jelentősen a vizsgálat teljes költségét (8-13. sor és 17-21. sor). Jól homogenizálható vizsgálandó anyagok – pl. folyadékok (gyümölcslé, tej) – esetén, ahol a mintavétel bizonytalanságával nem kell számolni, a párhuzamosan vizsgált tesztadagok számának növelésével érhetünk el csökkenést a kombinált bizonytalanság értékében (14-16. sor). 18. táblázat. A kombinált mérési bizonytalanság alakulása az egyes műveletek bizonytalanságának és az ismétlések számának függvényében.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
CVS
p
CVSp
Repl1
CVA
Repl2
CVL
CVR3
0,31 0,31 0,31 0,31 0,31 0,31 0,31 0,31 0,31 0,75 0,75 0,75 0,75 0 0 0 0,31 0,36 0,36 0,36 0,36
1 1 1 1 1 1 1 1 2 1 2 2 2 1 2 1 2 1 2 2 2
0,18 0,18 0,18 0,7 0,7 0,7 0,08 0,08 0,08 0,18 0,18 0,18 0,18 0,18 0,18 0,18 0,15 0,15 0,15 0,15 0,15
1 2 2 1 2 4 1 2 1 1 1 2 2 5 1 1 1 1 1 1 2
0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1
1 1 2 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 2 1
0,206 0,162 0,146 0,707 0,505 0,364 0,128 0,115 0,128 0,206 0,206 0,162 0,146 0,128 0,206 0,206 0,180 0,180 0,180 0,166 0,146
0,372 0,350 0,342 0,772 0,593 0,478 0,335 0,331 0,254 0,778 0,569 0,554 0,550 0,128 0,206 0,206 0,284 0,403 0,312 0,304 0,293
egy mintából kivett "a" tesztadag extrakciója egy tesztadag extraktjában lévő szermaradék ismételt analízise 3 "p" minta "a" hányada extrakjának b-szer ismételt vizsgálatából kapott p×a×b eredmény átlagának bizonytalansága 1 2
81
4.6.2 A mért szermaradékértékek kombinált bizonytalanságának minimalizálása A mért szermaradékérték kombinált bizonytalansága az 5. és 6. egyenlet segítségével könnyen kiszámítható a mintavételi bizonytalanságértékekre meghatározott legjobb becslések (16. és 17. táblázat), valamint a módszervalidálásból származó, szermaradék-meghatározás egyes lépéseire vonatkozó reprodukálhatósági CV értékek felhasználásával. Az elemzést végző személy a különböző típusú CV értékek alapján előzetesen tesztelheti a különböző kombinációkat, melyekkel csökkenthető a kombinált bizonytalanság, és kiválaszthatja azokat, amelyek leginkább megfelelnek az analízis céljának. Első lépésként a mért érték variabilitásához legnagyobb mértékben hozzájáruló tényező bizonytalanságát kell csökkenteni, amennyiben lehetséges. Másrészről javulás gyakorlatilag nem érhető el, amennyiben olyan tényezőt próbálunk módosítani, ami a variabilitáshoz legnagyobb mértékben hozzájáruló
tényezőnél
30%-kal
kisebb
mértékben
járul
hozzá
a
teljes
variabilitáshoz. A 19. táblázat példákkal illusztrálja az alapelvet. 19. táblázat. Példák az analitikai művelet egyes lépéseinek hozzájárulásához a mért szermaradékérték kombinált bizonytalanságához. CVSprim 1,43 1,43 1,43 1,43 1,43 1,43 1,43 0,81 0,81 0,81 0,81
n 10 10 10 10 10 25 25 10 10 10 10
No1 1 1 2 3 3 3 3 1 1 2 2
CVSp 0,1 1,5 1,5 1,5 1,5 1,5 0,3 0,1 0,3 0,3 0,3
mTp2 No3 15 1 1 1 1 1 5 15 5 5 5
1 1 1 1 2 1 1 1 1 1 2
CVA 0,12 0,12 0,12 0,12 0,12 0,06 0,06 0,12 0,12 0,12 0,12
CVL 0,16 1,50 1,06 0,87 0,87 0,87 0,18 0,16 0,32 0,23 0,22
CVR 0,48 1,57 0,88 0,68 0,67 0,58 0,30 0,30 0,41 0,30 0,30
Százalékos hozzájárulás a teljes varianciához Vs 89% 8% 15% 21% 21% 10% 71% 73% 39% 52% 56%
VSp 4% 91% 84% 77% 78% 90% 26% 11% 53% 36% 38%
VA 6% 1% 1% 1% 1% 0% 3% 16% 8% 12% 6%
VL 11% 92% 85% 79% 79% 90% 29% 27% 61% 48% 44%
A homogenizált laboratóriumi mintákból extrakció céljából kivett tesztadagok száma Tesztadagok tömege (g) 3 Egy extraktból végzett ismételt vizsgálatok száma 1 2
Ha a laboratóriumnak az a feladata, hogy a forgalmazott terméket megvizsgálja MRL-megfelelőség szempontjából, akkor csupán a CVL értéket kell figyelembe venni. Megjegyzendő, hogy az Európai Bizottság által meghatározott 25%-os CVL érték (EB 2002) könnyen elérhető visszanyeréses vizsgálatok során meghatározott < 20%-os CVA értékkel, amennyiben < 10% CVSp érték fenntartása biztosított. Hangsúlyozandó, hogy amennyiben ugyanolyan mintafeldolgozást (homogenizálást) 82
alkalmazva a 15 g tesztadag helyett 1 g kerül extrahálásra – mely a gyakorlatban egyre inkább jellemző –, a CVL érték akár 40% is lehet (13. egyenlet). Megjegyzendő továbbá, hogy a releváns minimális mintaméretre és tömegre vonatkozó követelményeket a piaci ellenőrzés során be kell tartani, igazolt jogi lépések kisebb minták ellenőrzésével nem tehetők. Piacra kerülés előtti ellenőrzéskor a mintavétel bizonytalanságát minden esetben figyelembe kell venni. A mintavétel bizonytalansága csökkenthető a mintaméret növelésével, ha biztosított, hogy a mintafeldolgozásához használt felszerelés kellőképpen alkalmas nagy mennyiségű mintaanyag hatékony darabolására, homogenizálására. Alternatív lehetőség egy mintaméret-csökkentési lépés, amellyel olyan tömegű mintát kapunk, ami később feldolgozható a meghatározási folyamat során, a bizonytalansága pedig a CVL részeként meghatározható. Utóbbi lehetőségre nem látható példa a 19. táblázatban. 4.6.3 Cselekvési küszöbérték és valószínűségi görbék alkalmazása A 16. és 17. táblázatban ajánlott mintavételi bizonytalanságértékekből (CVSprim vagy UCLprim), valamint a szermaradék-analízis laboratóriumi fázisának tényleges bizonytalanságából (CVL) számított mért szermaradékértékekre jellemző kombinált bizonytalanságértékekből (CVR) a cselekvési küszöbérték (AL) és a valószínűségi görbék (operational characteristic curve, OC-görbe) a 26. és 27. egyenlet alapján kiszámíthatók. A növényvédőszer-maradékok piacra kerülés előtti ellenőrzését megkönnyítendő, a Whitaker és munkatársai által kifejlesztett eljárást (Whitaker et al. 2008; FAO 2013) továbbfejlesztve, a növényvédőszer-maradékok eloszlását lognormális eloszlásnak feltételezve kidolgoztam egy MS Excel-alapú sablont, melynek input paramétereit a 20. táblázat, a feltüntetett paramétereknek megfelelő outputot a 23. ábra mutatja. Az input paraméterek és a rajzolt diagram angol nyelven szerepelnek, hogy a sablont a nemzetközi továbbképzéseken is használhassuk (20. és 21. táblázat, 23. és 24. ábra). A 20. táblázat az MS Excel-sablon munkalapján látható felületet ábrázolja. A kékeszöld cellákba írhatja be a felhasználó a kívánt paramétereket:
a párhuzamosan vizsgált laboratóriumi minták számát (Number of Laboratory Samples),
az összetett mintát alkotó elemi minták számát (Number of primary samples),
a
laboratóriumon
belüli
reprodukálhatósági
körülményekre
jellemző
bizonytalanság értékét (CVL),
83
a párhuzamosan vizsgált analitikai minták számát (Number of test portion analysed),
a forgalmazó által megcélzott elfogadható nemmegfelelőségi szintet (βv = 0,02 = 1-βp).
A sablon beépített egyenletek segítségével kiszámítja a cselekvési küszöbértéket, melyet a mért szermaradékértéknek nem szabad túllépnie a kívánt megfelelőségi szint eléréséhez. Ismételt minták esetén minden egyes minta szermaradékértéke a cselekvési küszöbérték alatt kell, hogy maradjon. A 20. táblázatban láthatjuk, hogy az input paramétereknek megfelelő vizsgálati körülmények között a 98%-os megfelelőség eléréséhez egy, kettő és négy párhuzamos véletlen minta vizsgálatakor a mért értékek egyike sem haladhatja meg a 0,41; 0,6 és 0,81 mg/kg értéket. 20. táblázat. Az MS Excel-sablon input paraméterei. Az adott körülmények között 1, 2 és 4 párhuzamos minta egyike sem tartalmazhat rendre 0,41, 0,60, vagy 0,81 mg/kg feletti szermaradékértéket. Curve #1
Curve #2
Curve #3
Number of Laboratory Samples
1
2
4
Number of primary samples
10
10
10
CVL
0.16
0.16
0.16
CVSAM
0.383
0.383
0.383
1
1
1
Accept Limit<= (mg/kg) Calc.
0.4073
0.6019
0.8143
Accept Limit<= (mg/kg) Implemented
0.4073
0.6019
0.8143
βv at MRL Calc.
0.020
0.020
0.020
Targeted βv at MRL
0.020
0.020
0.020
Number of test portion analysed
Accept Limit<= (mg/kg) Forced
MRL =
1
X max =
3
Medium sized vegetable
CV1= 1.211
84
100 90
Probability of Accepting Lot (%)
80
70 60 50 40 30 20 10
0 0
1
2
3
Lot Pesticide Concentration (mg/kg)
(1) 1x10 primary samples, AL < 0.407 mg/kg
(2) 2x10 primary samples, AL < 0.602 mg/kg
(3) 4x10 primary samples, AL < 0.814 mg/kg
Legal Limit (MRL)
23. ábra. A 20. táblázat input paramétereihez az MS Excel-sablon által rajzolt valószínűségi görbék. Az MS Excel-sablon segítségével kiszámíthatjuk azt is, mennyi a valószínűsége a mintázott tétel megfelelőségének adott szermaradékértékek esetén. Tételezzük fel, hogy a határérték 1 mg/kg és három különböző tételből vett mintákban a következő szermaradékértékeket mérjük: Téte Párhuzamos minták l száma 1 1 2 2 3 4
Mért szermaradékértékek 0,3 0,65 0,95
0,3 0,65
0,45
0,3
A „Forced” (előre meghatározott) Accept limit sorba a párhuzamos mintákban maximálisan mért szermaradékértékeket írjuk be. Ahogy a 21. táblázatban látható, a számított valószínűség (Accept Probability at MRL Calc.) sorban, az 1. tétel 99,8%os valószínűséggel meg fog felelni a határérték-előírásnak (βv = 0,002 = 1-0,998), a 2. és 3. tételek megfelelőségi valószínűsége pedig 96,4% és 92,2%. A termelő felelőssége (kockázata), hogy az előbbi megfelelőségi szintnek megfelelő tételeket forgalomba hozza, vagy sem. A 21. táblázat input paramétereihez tartozó valószínűségi görbék a 24. ábrán láthatók.
85
21. táblázat. Adott input paraméterek alapján a mért szermaradék-koncentrációkat (Accept Limit<= (mg/kg) Forced sorban) tartalmazó tételek várható megfelelőségi valószínűsége (Accept Probability at MRL Calc. sorban). Curve #1
Curve #2
Curve #3
Number of Laboratory Samples
1
2
4
Number of primary samples
10
10
10
CVSPA
0.16
0.16
0.16
CVSAM
0.383
0.383
0.383
Number of test portion analysed
1
1
1
Accept Limit<= (mg/kg) Forced
0.300
0.650
0.950
Accept Limit<= (mg/kg) Implemented
0.3000
0.6500
0.9500
Accept Probability at MRL Calc.
0.002
0.036
0.078
Accept Probability at MRL Desired
0.020
0.020
0.020
Accept Limit<= (mg/kg) Calc.
100 90
Probability of Accepting Lot (%)
80
70 60 50 40 30 20 10
0 0
1
2
3
Lot Pesticide Concentration (mg/kg)
(1) 1x10 primary samples, AL < 0.3 mg/kg
(2) 2x10 primary samples, AL < 0.65 mg/kg
(3) 4x10 primary samples, AL < 0.95 mg/kg
Legal Limit (MRL)
24. ábra. A 21. táblázat input paramétereihez az MS Excel-sablon által rajzolt valószínűségi görbék.
86
A 25. ábra a relatív és a kumulatív frekvencia viszonyát mutatja az egy tételből vett mintákban mért szermaradékok esetén, valamint a számított OC-görbét. Látható, hogy az adott példában a minták 98%-a MRL alatti, 2%-a MRL-t meghaladó szermaradékértéket tartalmaz. Hangsúlyozandó, hogy növényvédő szeres kezelés esetén a termény 100%-os megfelelősége nem garantálható. Jelenleg nincs elérhető információ egyetlen ország hivatalosan elfogadható szabálysértési rátájáról sem. A minták számát és méretét, valamint a cselekvési küszöbértéket meghatározó mintavételi tervek készítéséhez szükség lenne a nemzeti szinten felelős hatóságok által meghatározott szabálysértési szintekre. Az EU 7. kutatási keretprogramján belül végrehajtott Baseline projekt 98%-os MRL-megfelelőségi szintet ajánl 95%-os valószínűség mellett (Farkas et al. 2013) teljesítménybeli kritériumként kémiai szennyezőkre, amennyiben azok nem veszélyeztetik a fogyasztók egészségét. Ez a kritérium kiindulási pontként szolgálhat
100
100%
90
90%
80
Szermaradékok kumulatív gyakorisága
Szermaradékok relatív gyakorisága [%] OC-görbe [%]
hivatalos szabálysértési szintek megállapításához.
80% OC %
70 60
70%
AL
Rel freq.% 60%
MRL
Cumulative
50
50%
40
40%
30
30%
20
20%
10
10%
0 0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0% 0,40
Tétel szermaradék-koncentrációja (mg/kg) Szermaradékok (mg/kg) összetett mintákban
25. ábra. Egy tételből származó minták szermaradékértékeinek relatív és kumulatív gyakorisága, valamint az OC-görbe, a tétel 98%-os megfelelőségét feltételezve.
87
4.7 Új tudományos eredmények 1. A rendelkezésemre álló közel 20 ezer véletlen mintavételi eljárással vett elemi, valamint 12 087 független szerkísérletből származó ismételt összetett minták szermaradék-vizsgálati eredményét felhasználva meghatároztam 106 terményre
és
24
terménycsoportra
jellemző
relatív
mintavételi
bizonytalanságértéket. 2. Elemi mintákban mért szermaradék-koncentrációkkal, véletlen visszatevéses mintavétellel végzett számítógépes modellvizsgálatok alapján meghatároztam a mintavételi bizonytalanság 95%-os relatív konfidenciaintervallumát (CIr0,95). Megállapítottam, hogy a számított CIr0,95 értékek függenek a vizsgált tételek és a tételekből vett párhuzamos minták számától, ugyanakkor függetlenek az alapsokaságot alkotó elemi minták CVR1 (0,11-1,44) értékétől. 3. A különböző alapsokaságból számított jellemző CIr0,95 értékek és a párhuzamos minták száma a 2,8277p-0,504 függvénnyel írható le, mely jelzi, hogy a relatív varianciák gyakorlatilag állandók. 4. Kidolgoztam számításának
az
önellenőrzés
közelítő
során
módszerét,
alkalmazandó mely
egy
cselekvési
ingadozásforrást
szint (a
szermaradékértékek kombinált bizonytalanságát) és ismert szórást tételez fel. A cselekvési szintet az önellenőrző által megcélzott MRL-megfelelőségi szint figyelembevételével számítja. 5. A cselekvési szint meghatározásának elősegítésére egy MS Excel-alapú számítási módszert dolgoztam ki, mely a vizsgált termény mintavételi bizonytalanságát, az ellenőrzésre vett párhuzamos minták számát és a laboratóriumi minták vizsgálatát befolyásoló tényezőket figyelembe véve automatikusan megadja a cselekvési szintet és megrajzolja a mintavétel valószínűségi görbéjét.
88
5. KÖVETKEZTETÉSEK ÉS JAVASLATOK 5.1 Területi mintákból származó szermaradékértékekkel végzett modellezésekből levonható következtetések A területi mintákból származó szermaradékértékek meghatározására használt analitikai módszer kellőképpen érzékenynek, valamint reprodukálhatónak bizonyult a kezelt területekről származó elemi mintákban mért szermaradékértékek meghatározására. Az
elemi
minták
szermaradékértékeinek
alapsokaságából
számítógépes
modellezéssel véletlenszerűen vett összetett minták mintavételi bizonytalansága összehasonlítható értékeket eredményezett, mint a kezelt területekről vett összetett minták alapján számított. A mért szermaradékértékek kombinált bizonytalanságához legnagyobb mértékben hozzájáruló tényező a gyakorlati körülmények között jellemző területen belüli szermaradék-variabilitás. Az elemi mintákban mért szermaradékok átlagos kombinált bizonytalansága sárgarépaminták esetén 0,60, petrezselyemminták esetén 0,68 volt (2. és 3. táblázat). Ezen értékek alátámasztják a talajfelszínnel egy síkban termesztett leveles zöldségekben mért szermaradékértékekre jellemző, korábban végzett becslést (Ambrus 2009). A mintavétel bizonytalansága egyértelműen függ a minta méretétől (n), és kiszámítható különböző mintaméretekre az elemi minták szermaradék-tartalmának ismeretében a 2. egyenlet segítségével (7. és 8. táblázat). A szermaradékok ellenőrzésére 25-nél több elemi minta vétele közepes és nagyméretű termények esetén nem célszerű, ugyanis n > 25 feletti mintaméret esetén a mintavételi bizonytalanság csak kismértékben csökken. Másrészről nagy mennyiségű minta feldolgozása és megfelelő aprítása a laboratóriumban nehézkes, ami megnöveli a mintafeldolgozás és a mért szermaradékérték bizonytalanságát és a szermaradékmeghatározás költségeit. Az egy alapsokaságból ismételten vett összetett minták átlagos CVS értéke és az elméleti (2. egyenlet) CVS érték közötti eltérés (szisztematikus hiba) az ismételt minták számának növekedésével csökken, és 12 ismételt minta felett kevesebb, mint 10% (10. táblázat). Horváth és munkatársai tanulmánya (2013) alapján a lognormális eloszlás jellemzi legjobban a szermaradékok eloszlását, amely ugyanakkor alábecsülheti a kísérleti körülmények között jellemző szermaradék-variabilitást. A vizsgált tételek számának 89
hatását tanulmányozva hasonló eredményeket kaptam, a CVS értékek relatív 95%-os konfidenciaintervalluma szintetikusan generált, valamint kísérleti eredményekből származó adatsorokon végzett modellezések során ugyanazt a tendenciát mutatták – a vizsgált tételek számának növekedésével a 95%-os CVS tartomány csökkent – de a generált lognormális eloszlású adatsorok esetén kisebb értékeket vett fel, mint kísérleti minták esetén. Hangsúlyozandó, hogy a mintavételi bizonytalanságértékek 95%-os relatív konfidenciaintervalluma gyakorlatilag függetlennek bizonyult az alapsokaság variabilitásától (15. ábra), tehát a vizsgált tételek számával és az ismételten vett minták számával kapcsolatban levont következtetések általánosan alkalmazhatók. A CVS értékek 95%-os relatív konfidenciaintervalluma 8 vizsgált tételig gyors ütemben csökken, 20 tétel fölött azonban a nyereség elhanyagolható. Ez a megállapítás összhangban van az ISO szabvánnyal (ISO 1986), miszerint minimum 20 tétel vizsgálata ajánlott ömlesztett árukra jellemző mintavételi bizonytalanság meghatározására a lehető legtöbb ismételten vett mintával. Az ismételten vett minták számának növekedésével, valamint a vizsgált tételek számának növekedésével egyaránt fordított arányosságban csökken a CVS értékek 95%-os relatív konfidenciaintervalluma. A relatív konfidenciaintervallum az ismételten vett minták számának, valamint a vizsgált tételszámnak a négyzetgyökével fordítottan arányos (11. 12. és 13. táblázat), utóbbi a relatív varianciák konstans voltát bizonyítja. Az elemi mintákból álló adatbázisokkal végzett modellvizsgálatok lehetővé tették a szermaradék-vizsgálatok, általánosságban a hasonló eloszlást mutató környezeti szennyezők mintavételi bizonytalanságának jellemzését. Ugyanakkor, eddig nem vizsgált termény-növényvédőszer kombinációk mintavételi bizonytalanságának meghatározására ≥ 8 eltérő körülmények között kezelt területről véletlen mintavételi eljárással függetlenül vett 4 - 6 ismételt összetett minta vizsgálata eredményez a legkisebb ráfordítással kellő információt. Nincs optimális mintaméret, ismételt mintaszám, illetve vizsgálandó tételszám. Ezek a paraméterek csak a költségek figyelembevételével együttesen határozhatók meg. Ugyanígy nem létezik egységes optimális megoldás mintavételi tervek készítésére sem.
Az
élelmiszer-
és
takarmánygyártók,
a
kereskedők,
valamint
a
kormányhivatalok alkalmazásában lévő kockázatkezelésért felelős személyek feladata megtalálni az egyensúlyt a minőségi, valamint a határértéknek való megfelelőség ellenőrzéséhez szükséges mintavételi tervben szereplő mintaszám, a mintavétel és az analízis költsége, valamint az esetlegesen visszautasított vagy nem megfelelő tételek okozta gazdasági károk között. 90
5.2 Szerkísérletek alapján meghatározott mintavételi bizonytalanságértékek gyakorlati felhasználása A szerkísérletekből származó szermaradékértékek alapján 106 terményre és 24 terménycsoportra meghatározott mintavételi bizonytalanság- (CVSprim és UCLprim), valamint a hozzájuk tartozó konfidenciaintervallum-értékeket a 16. és 17. táblázat tartalmazza. A táblázatban szereplő értékek elemi mintákra vonatkoznak. A piacra kerülés előtti önellenőrzéshez a mintavételi bizonytalanságértékek az aktuális mintaméretre (CVn) vonatkoztatva a CVn=CV1/n egyenlettel kiszámíthatóak. Azon termények mintavételi bizonytalanság értékei nincsenek feltüntetve a táblázatokban, melyek esetén 8-nál kevesebb mintapár (N) állt rendelkezésre, mivel 8-nál kevesebb kísérletből végzett becslések pontatlanok, használatuk nem ajánlott. A 8 és 20 közötti mintapárból becsült mintavételi bizonytalanságértékeket körültekintően kell kezelni. Ezen esetekben további rendelkezésre álló információ esetén pontosítás szükséges. A kockázatkezelő, illetve egyéb felelős személy feladata eldönteni, hogy ilyen esetekben a termény, vagy a megbízhatóbb, neki megfelelő terménycsoport CVSprim és UCLprim értékét használja az önellenőrzéshez meghatározásra kerülő cselekvési küszöbérték kiszámításához. Azon termények vagy terménycsoportok esetén, amelyeket nem fednek le a megadott becsült mintavételi bizonytalanságértékek, célszerű minimum 8 tételéből függetlenül 6-6 párhuzamos mintát venni és azok alapján számítani a mintavétel bizonytalanságát, melynek a relatív 95%-os konfidenciaintervalluma 50%-on belül várható. 5.3 Javaslatok A terményeken előforduló növényvédőszer-maradékok értékei a kezelt területekről származó növényekben a szermaradékokra jellemző variabilitás miatt tág határok között változnak. A tételre jellemző várható szermaradék-tartalomra egy minta vizsgálati eredménye csak egy becslést ad. Mivel a növényvédőszermaradékhatárértékek a terményekből szabályosan vett összetett minták átlagos szermaradéktartalmára vonatkoznak, a piacra kerülő termékekből vett minta minden egyes összetett mintának megfelelő tömegű és darabszámú egységének meg kell felelnie a határérték-előírásoknak. A forgalmazó felelőssége, hogy csak az előírásoknak megfelelő terméket hozzon forgalomba. Az
élelmiszerek
ellenőrzésekor
és
végzett
takarmányok mérés
forgalmazása
eredményének
előtti
termékmegfelelőség
értékelésénél
a
kombinált
bizonytalanságot (CVR) kell figyelembe venni, mely magában foglalja a
91
laboratóriumi mérés reprodukálhatóságát és a mintavétel bizonytalanságát. A laboratóriumoknak célszerű a vizsgálati folyamat egyes lépéseinél olyan módszert alkalmazni, mely megfelel a vizsgálat céljának és a mért szermaradékértékek véletlen és szisztematikus hibája a lehető legkisebb. Előzetesen tesztelhető a CV értékek különböző kombinációja és ki lehet választani azt a vizsgálati körülményt, amelyikkel leginkább csökkenthető a kombinált bizonytalanság. Tekintve, hogy a mintavétel bizonytalansága a mintában lévő elemi minták számától, és a minta tömegétől függ, a termékek ellenőrzése során fokozott figyelmet kell fordítani a hivatalos előírás szerinti mintavételre, azaz a minta minimális elemszáma, illetve tömege megfeleljen a vonatkozó hivatalos eljárásnak. Ennek híján az eredményből nem lehet reális következtetést levonni. A mintavételt jól képzett személynek kell végeznie, aki rendelkezik a szükséges eszközökkel és információval a minta alapján végzett szermaradék-analízis céljaival kapcsolatban. A forgalmazó felelőssége eldönteni, hogy a terméke minimálisan hány százalékban feleljen meg a jogi, illetve specifikus megrendelői előírásoknak, csökkentve ez által azt a kockázatot, amit a nem megfelelőnek való minősítéssel vállal ellenőrzés esetén. Optimális mintavételi tervet a célzott megfelelőségi százalék, valamint a mintavételi és vizsgálati költségek ismeretében lehet kialakítani. A növényi termények növényvédőszermaradék-tartalmának piacra kerülés előtti ellenőrzésekor javaslom az engedélyezett határértéknél alacsonyabb cselekvési küszöbérték meghatározását, mely figyelembe veszi a mért szermaradékértékek kombinált bizonytalanságát. A kidolgozott MS Excel-sablon segítségével könnyen meghatározható a cselekvési küszöbérték adott megfelelőségi szinten, illetve adott cselekvési küszöbérték és egy mért szermaradék-koncentráció esetén a megfelelőségi szint. A kutatásaim során becsült
mintavételi
bizonytalanságértékek
felhasználásával,
a
kombinált
bizonytalansághoz hozzájáruló egyéb tényezők, valamint a költségek ismeretében a sablon segítségével a mintavételi tervek optimalizálhatók az adott körülménynek, szituációnak megfelelően.
92
6. ÖSSZEFOGLALÁS A növényvédő szerek széleskörű felhasználása és a hatóanyagok potenciális toxicitása miatt a forgalomba kerülő termények ellenőrzése különösen indokolt élelmiszerbiztonsági és környezetvédelmi szempontból. A növényvédő szerek eloszlását, valamint a kezelt terményen maradó szermaradékok koncentrációját számos tényező befolyásolhatja, melyek hozzájárulnak a mintázott tételre jellemző elkerülhetetlen szermaradék-variabilitáshoz, a mintavétel bizonytalanságához. Ahhoz, hogy a minták laboratóriumi analízise során kapott szermaradékértékeket kellő körültekintéssel tudjuk kezelni, a mért szermaradékértékekre jellemző kombinált bizonytalanság ismerete feltétlenül szükséges. A szermaradékok kombinált bizonytalanságértékéhez gyakran legjelentősebb mértékben a mintavétel bizonytalansága járul hozzá, ennek ellenére sokáig elhanyagolták ennek a területnek a kutatását. A termékekben megengedhető maximális szermaradék-koncentráció jogszabályban rögzített határértékekkel szabályozott. A nemzetközi szervezetek különböző típusú vizsgálatokra a mintavételi eljárást szabványban írják elő, de nem foglalkoznak a mintavételből származó bizonytalansággal, tekintve, hogy a határértékek a szabvány szerint vett minta átlagos szermaradék-tartalmára vonatkoznak. A termékmegfelelőség biztosítása a termelő felelőssége. Ahhoz, hogy az illetékes hatóság ne utasítsa vissza a terméket, a termelőnek még a kereskedelmi forgalmazás előtt célszerű ellenőriznie, hogy a termék megfelel a vonatkozó határértékeknek. Az önellenőrzés során a mért szermaradékértékeknek a mintavételt is magában foglaló kombinált bizonytalanságát kell figyelembe venni. A vizsgálatok költségesek, ezért a rendelkezésre álló erőforrások optimális felhasználása alapvető fontosságú. Disszertációmban a mért szermaradékértékek kombinált bizonytalanságához hozzájáruló
tényezők
bizonytalanságának
elemzésén
becslése.
túl
Elemi
külön
hangsúlyt
mintákkal
kap
végzett
a
mintavétel
modellvizsgálatok
segítségével meghatároztam a vizsgált mintaszámtól és tételszámtól függő mintavételi bizonytalanságértékeket és általános érvényű következtetéseket vontam le
a
mért
szermaradékértékeknek
az
esetek
95%-ában
várható
relatív
bizonytalanságára vonatkozóan, figyelembe véve a szermaradékok eloszlására vonatkozó információkat. A felhasznált adatbázis általános mezőgazdasági gyakorlat szerint
kezelt
területekről
származó,
összesen
100-300
elemi
minta
szermaradékértékét tartalmazó 182 termény/növényvédőszer-maradék kombinációt, 93
továbbá szintetikusan generált lognormális eloszlású adatsorokat tartalmazott – korábbi tanulmányok alapján ugyanis a lognormális eloszlás írja le legjobban az elemi minták szermaradékértékeinek eloszlását. A modellezés torzítatlan becslést adott a mintavételi bizonytalanság, és annak konfidenciaintervalluma tekintetében. A szermaradékértékek tartománya a mintaméret növekedésével csökken. 25-nél nagyobb mintaméretet nem célszerű alkalmazni közepes és nagyméretű termények esetén, ugyanis a mintavételi bizonytalanság nem csökken tovább számottevően, a mintafeldolgozás azonban ilyen mintaméreteknél már speciális eszközöket igényel, és nagyobb bizonytalanságértékeket eredményezhet mintaméret-csökkentés és mintafeldolgozás tekintetében. A becsült mintavételi bizonytalanságértékek relatív tartománya az ismételt minták számának növekedésével csökken, 10 elemű összetett mintákkal végzett modellezés alapján 12 ismételt minta felett a nyereség elhanyagolható. A vizsgált tételek számának hatását 2, 4, 6, 8 ismétlésszámmal 20 különböző tételből vett 10 elemű összetett mintákkal modelleztem különböző alapsokaságokból. Az eredmények alapján a mintavételi bizonytalanságértékek relatív tartománya a vizsgált tételek számának növekedésével csökken. Az eredmények alapján elmondható, hogy 20 mintázott tétel felett a nyereség gyakorlatilag elhanyagolható, 8 és 20 tétel között pedig megfelelő körültekintéssel kell kezelni a kapott eredményt. A becsült mintavételi bizonytalanságértékek relatív 95%-os tartománya független az alapsokaság variabilitásától, a modellezés eredményei tehát általánosan alkalmazhatók. Az ismétlésszám (p) függvényében ábrázolva a számított átlagos 95%-os relatív konfidenciaintervallum-értékeket, az illesztett görbe egyenlete szoros kapcsolatot jelez (R2 = 0,9999). Optimális mintaszám, vizsgálandó tételszám általánosságban nem létezik, a mintavételi tervet minden esetben a cél, erőforrások és egyéb tényezők a figyelembevételével kell elkészíteni. A növényvédőszer-kísérletek során kezelt területekről ismételten vett minták alapján vizsgáltam a különböző terményekre jellemző mintavételi bizonytalanságot. A szerkísérletek adatbázisa összesen 25 876 szermaradékértékből állt, mely 12 087 ismételt, az esetek döntő többségében (> 99,95%-ában) duplikált mintát tartalmazott egy-egy
kísérleti
területről.
A
becsült
mintavételi
bizonytalanságértékek
konfidenciaintervallumát a 2,5. és 97,5. percentilisből, kísérleti adatokon alapuló módszerrel határoztam meg. A kidolgozott módszer előnye, hogy nem él előfeltételezéssel a mintavételi bizonytalanságértékek eloszlására vonatkozóan. Az adatbázisból
meghatároztam
az
eredményeknek
a
mintavételből
származó 94
bizonytalanságát és annak 95%-os konfidenciaintervallumát 106 különböző terményre és 24 terménycsoportra. Az egyes terményekre és terménycsoportokra számított mintavételi bizonytalanságértékeket korrigáltam a szerkísérletekre jellemző szigorú kezelési körülmények, valamint az általános mezőgazdasági gyakorlatra jellemző nagyobb szermaradék-variabilitásból számított faktorral. Tekintve, hogy a 8 és 20 tétel alapján becsült mintavételi bizonytalanságértékek körültekintéssel kezelendők,
egy
amennyiben
terményre
meghatározott
mintavételi
bizonytalanságérték esetén ez a helyzet áll fenn, megfontolandó, hogy a megfelelő terménycsoportra
meghatározott
mintavételi
bizonytalanságérték
kerüljön
felhasználásra. A kockázatkezelésért felelős személy döntése alapján a terményekre és terménycsoportokra meghatározott mintavételi bizonytalanságértékek felső konfidenciaintervalluma is használható önellenőrzésre szolgáló mintavételi terv készítésekor. Az
egyes
terményekre
és
terménycsoportokra
meghatározott
mintavételi
bizonytalanságértékek, valamint a laboratóriumi mérési eredmények kombinált bizonytalanságának figyelembevételével kidolgoztam egy gyakorlatban alkalmazható modellt. A modell alkalmazását, melyet a munkám során kidolgozott MS Excelsablon tesz egyszerűvé, javaslom a forgalomba kerülés előtt álló növényi termények szermaradék-tartalmának ellenőrzésére, illetve a gyakorlatban optimális mintavételi eljárás kiválasztására a termelők/felhasználók számára. Segítségével a termelő az általa meghatározott megfelelőségi szinten tudja ellenőrizni, hogy a terméke megfelel-e az adott szennyezőanyagra vonatkozó határértéknek. A modell a növényvédőszer-maradékok eloszlási jellemzői alapján került kidolgozásra, de a gyakorlatban
más
szennyezőanyagok,
ill.
egyéb
határérték-megfelelőség
ellenőrzésére is alkalmas lehet, ha a vizsgált szennyezőanyag eloszlásáról kellő mennyiségű és minőségű adat rendelkezésre áll. A forgalmazó felelőssége eldönteni, hogy a terméke minimálisan hány százalékban feleljen meg a jogi, illetve egyéb előírásoknak, ezáltal azt a kockázatot, amit a nemmegfelelőséget eredményező minősítéssel vállal ellenőrzés esetén. A kutatásaim során becsült mintavételi bizonytalanságértékek felhasználásával, a kombinált bizonytalansághoz hozzájáruló egyéb tényezők, valamint a költségek ismeretében a sablon segítségével a mintavételi tervek optimalizálhatók az adott körülményekhez.
95
7. SUMMARY Control of pesticides is particularly important because of the large-scale use and potential toxicity of active ingredients both from food safety and environmental points of view. There are many factors that may influence the distribution and the concentration of pesticide residues present on treated crops. These factors contribute to the inevitable variability of residues in the sampled lot, and the uncertainty of sampling. In order to be able to correctly assess the residue values obtained from laboratory analysis, information on the combined uncertainty of measured residues should be available. Most commonly, the uncertainty of sampling is the main contributor to the combined uncertainty of the measured residues, nonetheless it is often ignored in practice when the results are evaluated. The maximum permitted level of pesticide residues in products is regulated by statutory limits. International organizations require the use of standard sampling procedures for different measurements, but ignore the uncertainty of sampling, as the maximum residue limits refer to the average residue content of a sample that is taken according to the requirements. Verifying the compliance of a product is the responsibility of the producer. For the product not to be rejected by the competent authorities, the product should be tested by the owner before placing it on the market. During the self-control of commodities, the combined uncertainty, including also sampling, of the measured residues has to be considered. Analyses are expensive, therefore optimal use of available resources is essential. In my thesis, beyond analyzing the contributing factors of combined uncertainty of the measured results, there is a special emphasis on the estimation of uncertainty of sampling. Uncertainty was determined depending on sample size and the number of tested lots, and generally applicable conclusions were drawn regarding the 95% confidence limits from computer modeling experiments conducted with primary samples, taking into account the information on pesticide residue distribution. The database consisted of 182 datasets of pesticide-crop combinations, each containing 100-300 residue values from primary samples taken from fields treated according to normal agricultural pracitce. Furthermore, datasets following lognormal distribution were generated, as it was proved to be the best to describe the distribution of pesticide residues in primary samples. The modelling resulted in unbiased estimate regarding sampling uncertainty and its confidence interval.
96
The confidene interval of residue values decrease with increasing number of samples, however, above sample size of 25, the gain is getting marginal in case of medium and large sized crops. Sample processing might require special equipment and it may result in higher uncertainty of sample size reduction and sample processing. The relative range of the estimated values of sampling uncertainty decreased with the increasing number of replicate samples. Modelling conducted with samples of size 10, revealed that the gain is marginal above 12 replicates. Effect of the number of tested lots was investigated with 2, 4, 6 and 8 replicate samples of size 10 from 20 different lots. According to the results, above 20 tested lots, the gain is getting marginal, and between eight and 20 tested lots, the results should be handled with care. The 95% relative range of estimated sampling uncertainty values is independent from the variability of the parent population; therefore the results of the modelling are generally applicable. There is close correlation between the number of replicate samples (p) and the average values of 95% confidence intervals (R2 = 0.9999). However, no general optimum can be defined regarding sample size or number of lots to be tested. The sampling plan always has to be prepared by taking into account the purpose, resources and other relevant factors. Sampling uncertainty was investigated from residue values in replicate samples derived from supervised residue trials. The database consisted of 25 876 residue values that comprised of 12 087 replicate, most of the cases (> 99.95%) duplicate samples from individual trial plots. The confidence intervals of the estimated sampling uncertainty values were determined from the 2.5th and 97.5th percentiles of experimental results. The advantage of the elaborated method is that it does not have any assumptions regarding the distribution of sampling uncertainty values. The sampling uncertainty values and their 95% confidence intervals were determined for 106 crops and 24 crop groups from the database. The sampling uncertainty values determined from supervised trials for crops and crop goups were corrected with a factor of 1.2 representing the larger variability occurring under practical application of pesticides than under the strict circumstances of supervised residue trials. As sampling uncertainty values estimated based on eight to 20 lots should be handled with care. If this is the case for a given crop, the use of the corresponding sampling uncertainty value of a crop group could be considered. It is the duty of the risk manager whether to use the sampling uncertainty value or its upper confidence level in case of designing a sampling plan.
97
A practically applicable model was developed that consideres the sampling uncertainty values determined for crops and crop groups, and the combined uncertainty of the laboratory measurement. The model can be easily used by the MS Excel template developed for this purpose. It is recommended that this template is used by the producers and other parties for the control of pesticide residues of commodities before placing them on the market and for the selection of the optimal sampling procedure under given practical conditions. With the help of the template, the user can verify the compliance of the product on a pre-chosen compliance level. The model is developed based on the characteristic parameters of the distribution of pesticide residues, but in practice it can be used for the control of other pollutants as well, if there is enough information available on the distribution of the given pollutant. Making the decision about the minimum compliance level of a product, and thus the risk that is taken with the potential violation, is the responsibility of the distributor. Taking into account the sampling uncertainty values determined in my studies, the other factors contributing to the combined uncertainty of the measured residue values and the knowledge on associated costs, sampling plans can be optimized for given circumstances with the help of the elaborated program.
98
8. MELLÉKLETEK M1. Irodalomjegyzék Alder, L., Ambrus, Á., Hill, A., Holland, P., Lantos, J., Lee, SM., MacNeil, JD., O’Rangers, J., van Zoonen, P. (2000): Guidelines for Single Laboratory Validation of Analytical Methods for Trace-level concentrations of organic chemicals. In Principles of Method Validation 179-217. Royal Society of Chemistry: Cambridge, UK. Ambrus, Á. (1979): The Influence of Sampling Methods and other Field Techniques on the Results of Residue Analysis. Frehse, H. & Geissbühler, H., (szerk.). Pesticide Residues, Pergamon Press, 6 -18. Ambrus, Á. (1996): Estimation of Uncertainty of Sampling for Analysis of Pesticides Residues. J. Environ. Sci. Health B 31, No. 3, 435-442. Ambrus, Á. (2000): Within and between field variability of residue data and sampling implications. Food Addit. Contam. Part A 17, 519-537. Ambrus, Á. (2004): Reliability of measurement of pesticide residues in food. Accred. Qual. Assur. 9, 288-304. Ambrus, Á. (2006): Variability of pesticide residues in crop units. Pest Manag Sci. 62, 693-714. DOI: 10.1002/ps.1235. Ambrus, Á. (2009): Estimation of Sampling Uncertainty for Determination of Pesticide Residues In Plant Commodities. J. Environ. Sci and Health 44, 1-13. Ambrus, Á. (szerk.). (2016): FAO manual on the submission and evaluation of pesticide residues data for the estimation of maximum residue levels in food and feed. FAO Plant Production and Protection Paper 225, Rome. 3rd edition, 131142. Ambrus, Á., Buczkó, J., Hamow, KÁ., Juhász, V., Solymosné Majzik, E., Szemánné Dobrik, E., Szitás, R. (2016): Contribution of sample processing to variability and accuracy of the results of pesticide residue analysis in plant commodities. J. Agric. Food Chem. 64, 6071-6081. Ambrus, Á., Farkas, Zs., Horváth, Zs., Kötelesné Suszter, G. (2014b): Principles and practices of control of pesticide residues in food. Journal of Food Investigation 60, 8-32. Ambrus, Á., Horváth, Zs., Farkas, Zs., Szabó, IJ., Dorogházi, E., Szeitzné-Szabó, M. (2014a): Nature of the field-to-field distribution of pesticide residues. J. Environ. Sci and Health 49, 4, 229-244. 99
Ambrus, Á., Soboleva, E. (2004): Contribution of sampling to the variability of pesticide residue data. JAOAC International 87, 1368-1379. Ambrus, Á., Valero, A., Farkas, Zs., Horváth, Zs., Szabó, IJ., Braun, S. (2013): Recommended sampling schemes to test for chemical contaminants and microorganisms. BASELINE Reports D6.7 and D6.9. Ambrus, Á., Zentai, A., Sali, J., Ficzere, I. (2011): Hidden contributors to uncertainty and accuracy of results of residue analysis. Accred Qual Assur. 16, 3-11. Anderson, LR. (1987): Practical statistics for analytical chemists. Appendix D12. Van Nostrand Reinhold Company: New York. Az Európai Parlament és a Tanács (EPT) 1107/2009/EK rendelete (2009) a növényvédő szerek forgalomba hozataláról, valamint a 79/117/EGK és a 91/414/EGK tanácsi irányelvek hatályon kívül helyezéséről. Az Európai Unió Hivatalos Lapja L 309/1. Az Európai Parlament és a Tanács (EPT) 178/2002/EK rendelete (2002): az élelmiszerjog
általános
elveiről
és
követelményeiről,
az
Európai
Élelmiszerbiztonsági Hatóság létrehozásáról és az élelmiszerbiztonságra vonatkozó eljárások megállapításáról (Az Európai Unió Hivatalos Lapja L 31. Az Európai Parlament és a Tanács (EPT) 396/2005/EK rendelete (2005) a növényi és állati eredetű élelmiszerekben és takarmányokban, illetve azok felületén található megengedett növényvédőszer-maradékok határértékéről, valamint a 91/414/EGK tanácsi irányelv módosításáról (EGT vonatkozású szöveg). Az Európai Unió Hivatalos Lapja L 70, 1-49. Barwick, VJ., Ellison, SLR. (2000): VAM Project 3.2.1. Development and Harmonization of Measurement Uncertainty Principles Part (d) Protocol for uncertainty evaluation from validation data. No: LGC/VAM/1998/088. http://blpd.dss.go.th/knowledge_el/VAM_uncertainty-0452.pdf CCPR Reports 2010-2017. http://www.fao.org/fao-who-codexalimentarius/meetingsreports/en/ Codex Alimentarius Commission (CAC). (1993): Codex Alimentarius Volume 2. Pesticide Residues in Food, Codex Classification of Foods and Animal Feeds; FAO,
Rome,
Italy.
http://www.codexalimentarius.org/search-
results/?cx=018170620143701104933%3Aizresgmxec&cof=FORID%3A11&q= Codex Alimentarius Commission (CAC). (1999): CAC GL 33/1999 Recommended methods of sampling for the determination of pesticide residues for compliance with MRLs. 100
Codex Alimentarius Commission (CAC). (2004): CAC GL 50/2004 General guidelines on sampling. FAO website. Codex Alimentarius Commission (CAC). (2006): CAC/GL 59-2006. Guidelines on estimation of uncertainty of results. FAO website. Codex Alimentarius Commission (CAC). (2010): CAC/GL 41-1993. Portion of Commodities to which Codex MRLs Apply and which is Analyzed. FAO website. Cross, J., Walklate, P., Murray, R. (2001a): Spray deposits and losses in different sized apple trees from an axial fan orchard sprayer: 1. Effects of spray liquid flow rate. Crop Protect. 20, 13-30. Cross, J., Walklate, P., Murray, R. (2001b): Spray deposits and losses in different sized apple trees from an axial fan orchard sprayer: 2. Effects of spray quality. Crop Protect. 20, 333-343. Cuadros-Rodríguez, L., Hernández Torres, M. E., Almansa, López., E., Egea González, FJ., Arrebola Liébanas, FJ., Martínez, Vidal., JL. (2002): Assessment of uncertainty in pesticide multiresidue analytical methods: main sources and estimation. Analytica Chimica Acta 454, 297-314. da Silva, RJ., Lino, MJ., Santos, JR., Camões, MF. (2000): Estimation of precision and efficiency mass transfer steps for the determination of pesticides in vegetables aiming at the expression of results with reliable uncertainty, Analyst 125, 1459-1464. Dubus, IG., Brown, CD., Beulke, S. (2003): Sources of uncertainty in pesticide fate modelling. Sci Total Environ 317, 53-72. EB Irányelv 2002/63/EK (2002): Establishing community methods of sampling for the official control of pesticide residues in and on products of plant and animal origin and repealing Directive 79/700/EEC. Official Journal of the European Communities 187:30–43. El-Bidaoui, M., Jarju, OP., Maestroni, M., Phakaeiw, Y., Ambrus, A. (2000): Testing the effect of sample processing and storage on stability of residues. Principles of Method Validation 75-88. Royal Society of Chemistry: Cambridge UK. Ellison, SRL., Williams, A. (Szerk). Eurachem/CITAC guide: Quantifying Uncertainty in Analytical Measurement, Third edition, (2012) ISBN 978-0948926-30-3. www.eurachem.org.
101
European Commission Directorate-General For Health And Food Safety, Safety of the Food Chain Pesticides and biocides (SANTE). (2015): Guidance document on analytical quality control and method validation procedures for pesticides residues
analysis
in
food
and
feed.
SANTE/11945/2015.
https://ec.europa.eu/food/sites/food/files/plant/docs/pesticides_mrl_guidelines_w rkdoc_11945.pdf European Committee for Standardization (CEN). (2008): Foods of plant origin— Determination of pesticide residues using GC-MS and/or LC-MS/MS following acetonitrile
extraction/partitioning
and
clean-up
by
dispersive
SPE–
QUEChERS–method EN15662. Brussels, Belgium. FAO és WHO. (2014): International Code of Conduct on Pesticide Management. Rome, p. 4. Document E-ISBN 978-92-5-108549-3 (PDF). FAO. (2011): Pesticide residues in food 1997-2011 Evaluations Part I – Residues, FAO Plant Production and Protection Paper series, Nos: 146, 152/1, 152/2, 157, 165, 171, 175/1, 175/2, 177, 82/1, 182/2, 184/1, 184/2, 189/1, 189/2, 192, 193, 198, 206, 2012. http://www.fao.org/agriculture/crops/core-themes/theme/pests/jmpr/jmpr-rep/en/ FAO.
(2013):
Mycotoxin
Sampling
Tool,
User
Guide.
http://www.fstools.org/mycotoxins/Documents/UserGuide.pdf FAO. Pesticide residues in food (2002): Report of the 2002 JMPR, FAO Plant Production
and
Protection
Paper
172.
Annex
7.
Author:
Rome.
http://www.fao.org/agriculture/crops/corethemes/theme/pests/jmpr/jmpr-rep/en/ Farkas, Zs., Ambrus, Á., Szabó, I. J. (2013): Validation of Targeted Sampling with the new data and development of quantitative indices on reliability and precision, accounting for on food risk factor information. Deliverable 7.2 of BASELINE
Project
2013
https://secure.baselineeurope.eu/gest/documentspublic/docup/D7.2_Validation% 20of%20targeted%20sampling.pdf Farkas, Zs., Cook, JM., Ambrus, Á. (2017): Estimation of Uncertainty of Measured Residues and Testing Compliance with MRLs, Ambrus, Á., Hamilton, D. (szerk.) Food Safety Assessment of Pesticide Residues, World Scientific, New Jersey 404-466. IBSN 978-1786341686.
102
Farkas, Zs., Horváth, Zs., Kerekes, K., Ambrus, Á., Hámos A., Szeitzné Szabó, M. (2014): Estimation of sampling uncertainty for pesticide residues in root vegetable crops. Journal of Environmental Science and Health, Part B 49:01, 114. Farkas, Zs., Horváth, Zs., Szabó, IJ., Ambrus, Á. (2015a): Estimation of sampling uncertainty of pesticide residues based on supervised residue trial data. Journal of Agricultural and Food Chemistry 63:18, 4409-4417. Farkas, Zs., Slate, A., Whitaker, TB., Suszter, G., Ambrus Á. (2015b): Use of Combined Uncertainty of Pesticide Residue Results for Testing Compliance with Maximum Residue Limits (MRLs). Journal of Agricultural and Food Chemistry 63:18, 4418-4428. Frank, R., Braun, HE., Ritcey, G. (1987): Disappearance of captan from field-grown and greenhouse-grown tomato fruit in relationship to time of harvest and amount of rainfall. Canadian J. Plant Sci. 67, 355-357. Frank, R., Northover, J., Braun, HE. (1985): Persistence of captan on apples, grapes, and pears in Ontario, Canada 1981–1983. J Agriculture, Food and Chem. 33, 514-518. Furness, GO., Margery, PA., Miller, PH., Drew, HJ. (1998): Fruit tree and vine sprayer calibration based on canopy size and length of row: unit canopy row method. Crop Protect. 17, 639-644. Fussell, RJ., Addie, KJ., Reynolds, SL., Wilson, M. (2002): Assessment of the stability of pesticides during cryogenic sample processing. 1. Apples. J. Agric. Food Chem. 50, 441-448. Fussell, RJ., Hetmanski, MT., Colyer, A., Caldow, M., Smith, F., Findlay, D. (2007a): Assessment of the stability of pesticides during the cryogenic processing of fruits and vegetables. Food Addit. Contam. 24, 1247−1256. Fussell, RJ., Hetmanski, MT., Macarthur, R., Findlay, D., Smith, F., Ambrus, Á., Brodesser, JP. (2007b): Measurement uncertainty associated with sample processing of oranges and tomatoes for pesticide residue analysis. J. Agric. Food Chem. 55, 1062-1070. Grøn, C., Hansen, JB., Magnusson, B., Nordbotten, A., Krysell, M., Andersen, KJ., Lund, U. (2007): Nordtest handbook for sampling planners on sampling quality assurance and uncertainty estimation: Uncertainty from sampling. Nordic Innovation Centre. ISSN 0283-7234.
103
Gy, P. (1998): Sampling for analytical purposes. New York NY: John Wiley ISBN: 978-0-471-97956-2. Hamilton, D., Yoshida, M., Wolterink, G., Solecki, R. (2017): Evaluation of Pesticide Residues by FAO/WHO JMPR. Ambrus, Á., Hamilton, D. (szerk.) Food Safety Assessment of Pesticide Residues, World Scientific, New Jersey 467-506. IBSN 978-1786341686. Hamilton, DJ., Holland, PT., Ohlin, B., Murray, WJ., Ambrus, A., de Baptista, GC., Kovacicová, J. (1997): Optimum use of available residue data in the estimation of dietary intake of pesticides. IUPAC Report on Pesticides (39). Pure and Applied Chemistry 69, 1373-1410. Harris, CA. (2000): How the variability issue was uncovered: The history of the UK residue variability findings. Food Additives Contam. 17, 491-495. Harris, CA., Marshall, JR., Warren, SFP., Crossley, SJ. (2000): Summary report of the international conference on pesticide residues variability and acute dietary risk assessment. Food Addit. Contam. 17, 481-485. Hill, ARC. (2000): Residue variability and sampling- Practical problems and consequences for residues monitoring. Food Additives Contam. 17, 539-546. Hill, ARC., Harris, CA., Warburton, AG. (2000): Effects of sample processing on pesticide residues in fruits and vegetables. In Principles of Method Validation 41-48. Royal Society of Chemistry: Cambridge, UK. Hill, ARC., Reynolds, SL. (2002): Unit-to-unit variability of pesticides residues in fruit and vegetables. Food Additives and Contaminants 19, 733-747. Horváth, Zs., Ambrus, Á. (2017): Principles of control of small-scale prduction of fruits
and
vegetables
an
planning
risk-based
monitoring
programmes. Ambrus, Á., Hamilton, D. (szerk.) Food Safety Assessment of Pesticide Residues, World Scientific, New Jersey 467-506. IBSN 9781786341686. Horváth, Zs., Ambrus, Á., Mészáros, L., Braun, S. (2013): Characterization of distribution of pesticide residues in crop units. Journal of Environmental Science and Health, Part B 48, 615-625. Horváth, Zs., Sali, J., Zentai, A., Dorogházi E., Farkas, Zs., Kerekes K., Ambrus. Á. (2014): Limitations in the determination of maximum residue limits and highest residues of pesticides: Part I, Journal of Environmental Science and Health, Part B: Pesticides, Food Contaminants, and Agricultural Wastes 49, 3, 143-152.
104
ISO. (1986): Agricultural Products. Layout for standard method of sampling from a lot. ISO 7002-1. ISO. (1991): Shewhart Control Charts 8258:1991. ISO. (2003): Statistical aspects of sampling from bulk materials –Part 1: General principles. ISO 11648–1. https://www.iso.org/obp/ui/#iso:std:iso:11648:-1:ed1:v1:en Joint Committee for Guides in Metrology (JCGM). (2012): Evaluation of measurement data - The role of measurement uncertainty in conformity assessment. JGCM 106:2012. Kratochvil, B. (1985): Sampling for chemical analysis of the environment: statistical considerations. ACS Symposium Series 284, 5-23. Kuselman, I. (2008): Design of experiment for evaluation of uncertainty from sampling in the framework of the fitness for purpose concept: a case study. Accred Qual Assur. 13, 63-68. Lehotay, SJ., Maštovská, K., Lightfield, AR. (2005): Use of buffering and other means to improve results of problematic pesticides in a fast and easy method for residue analysis of fruits and vegetables, J. AOAC International 88, 615-629. Lehotay, SJ., Riter, LS., Saha, M. (2015): Residues in Food and Feed Topic Area at the 13th IUPAC International Congress of Pesticide Chemistry. Journal of Agricultural and Food Chemistry 63, 4393-4394. Lentza-Rizos, C., Balokas, A. (2001): Residue Levels of Chlorpropham in Individual Tubers and Composite Samples of Postharvest-Treated Potatoes. J. Agric. Food Chem. 49, 710-714. Lyn, JA., Palestra, IM., Ramsey, MH., Damant, AP., Wood, R. (2007a): Modifying uncertainty from sampling to achieve fitness for purpose: a case study on nitrate in lettuce. Accred Qual Assur. 12, 67-74. Lyn, JA., Ramsey, MH., Coad, DS., Damant, AP., Wood, R., Boon, KA. (2007b): The duplicate method of uncertainty estimation: are eight targets enough? Analyst 132, 1147-1152. Lyn, JA., Ramsey, MH., Damant, AP., Wood R. (2007c): Empirical versus modelling approaches to the estimation of measurement uncertainty caused by primary sampling. Analyst 132, 1231-1237. Lyn, JA., Ramsey, MH., Wood, R. (2002): Optimised uncertainty in food analysis: application and comparison between four contrasting‘analyte-commodity’ combinations. Analyst 127, 1252-1260. 105
Lyn, JA., Ramsey, MH., Wood, R. (2003): Multi-analyte optimisation of uncertainty in infant food analysis. Analyst 128, 379-388. Maestroni, B., Ghods, A., El-Bidaoui, M., Rathor, N., Jarju, OP., Ton, T., Ambrus, A. (2000a): Testing the efficiency and uncertainty of sample processing using 14
C labelled chlorpyrifos Part II. Fajgelj A.; Ambrus A. (szerk.) Principles of
Method Validation Royal Society of Chemistry: Cambridge, UK. 59-74. Maestroni, B., Ghods, A., El-Bidaoui, M., Rathor, N., Jarju, OP., Ton, T., Ambrus, Á. (2000b): Testing the efficiency and uncertainty of sample processing using 14C labelled chlorpyrifos. Part I. Fajgelj A.; Ambrus A. (szerk.) Principles of Method Validation, Royal Society of Chemistry, Cambridge, UK, 49-58. MedCalc. Statistical tables: values of the Chi-squared distribution. Miller, JN., Miller, JC. (2010): Statistics and Chemometrics for Analytical Chemistry. Pearson Education Limited. ISBN: 978-0-273-73042-2. Minkkinen, P. (2004): Practical application of sampling theory. Chemometrics and Intelligent Laboratory Systems 74, 85-94. MSZ EN ISO/IEC 17025:2005, (2006): Vizsgáló- és kalibrálólaboratóriumok felkészültségének általános követelményei. OECD. (2007): Guidance Document on Pesticide Residue Analytical Methods, Series on Pesticides No. 39, ENV/JM/MONO(2007)17. OECD. (2009): Guideline for the testing of chemicals, crop field trial. #509 Omeroglu, YP., Ambrus, Á., Boyacioglu, D., Solymosne Majzik, E. (2013): Uncertainty of the sample size reduction step in pesticide residue analysis of large-sized crops. Food Additives & Contaminants: Part A 30, 116–126. Ramsey,
MH.,
Ellison,
SLR.
(szerk.)
(2007):
Eurachem/EUROLAB/
CITAC/Nordtest/AMC Guide: Measurement uncertainty arising from sampling: a guide to methods and approaches Eurachem. ISBN: 978 0 948926 26 6. Ramsey, MH., Thompson, M. (2007): Uncertainty from sampling, in the context of fitness for purpose. Accred Qual Assur. 12, 503-513. Rawn, DFK., Quade, SC., Shields, JB., Conca, G., Sun, W., Lacroix, GMA., Smith, M., Fouquet, A., Bélanger, A. (2007): Variability in captan residues in apples from a Canadian orchard. Food Addit. Contam. Part A 24, 149-155.
106
Reiter, EV., Dutton, MF., Agus, A., Nordkvist, E., Mwanza, MF., Njobeh, PB., Prawano, D., Haggblom, P., Razzazi-Fazeli, E., Zentek, J., Andersson, MG. (2011): Uncertainty from sampling in measurements of aflatoxins in animal feedingstuffs: application of the Eurachem/CITAC guidelines. Analyst 136, 4059-4069. Smith, FD., MacHardy, WE. (1984): The retention and redistribution of captan on apple foliage. Phytopathology 74, 884-899. Snedecor, GW., Cochran, WG. (1980): Statistical Methods, 7th Ed.; The Iowa State University Press: Ames, IA, 45–50. Song, Y., Lu, X., Ren, F. (2011): Variability of Pesticide Residues in Vegetables from the Marketplaces in Jinan City. Agricultural Sciences in China 10, 16461652. Suszter, G., Ambrus, A., Schweikert-Turcu, M., Klaus, PM. (2006): Estimation of efficiency of processing soil samples. J. Environ. Sci and Health Part B 41, 122. Taylor, AW., Caro, JH., Freeman, HP., Turner, BC. (1985): Sampling and variance in measurements of trifluralin disappearance from a field soil. ACS symposium series 25–35. Thompson, M., Ellison, SLR., Fajgelj, A., Willets, P., Wood R. (1999): Harmonised guidelines for use of recovery information in analytical measurement. Pure & Appl. Chem. 71, 337-348. Tiryaki, O., Baysoyu, D. (2006): Estimation of sample processing uncertainty for chlorpyrifos residue in cucumber. Accred. Qual. Assur. 10, 550-553. Travis, JW. (1987a): Effects of canopy density on pesticide deposition and distribution in apple trees. Plant Disease 71, 613-615. Travis, JW. (1987b): Effects of travel speed, application volume, and nozzle arrangement on deposition and distribution of pesticides in apple trees. Plant Disease 71, 606-612. Wallace, D., Kratochwill, B. (1987): Visman equation in the design of sampling plans for chemical analysis of segregated bulk materials. Anal. Chem. 59, 226232. Whitaker, TB., Slate, AB., Giesbrecht, FG. (2008): Designing Sampling Plans to Detect Foreign Material in Bulk Lots of Shelled Peanuts. Peanut Science 35, 159-164. www.codexalimentarius.org/input/download/standards/361/CXG_033e.pdf 107
Xu, XM., Wu, PH., Thorbek, P., Hyder K. (2006): Variability of initial spray deposit in apple trees in space and time. Pesticide Manag Sci. 62, 947-956. Yamada, Y. (2017): Importance of Codex Maximum Residue Limits for Pesticides for the Health of Consumers and International Trade. Ambrus, Á., Hamilton, D. (szerk.) Food Safety Assessment of Pesticide Residues, World Scientific, New Jersey 467-506. IBSN 978-1786341686
108
M2. Modellezésekhez használt adatbázisok jellemzői Input adatbázis Természetes számok 1-120 között
Mintavételi paraméterek 10 elemű minta (N=10 000) 5, 10, 25 elemű minta (N=10 000)
10 elemű minta (N=10 000) 20 tételből 5, 10, 25 elemű minta (N=10 000) 5, 10, 25 elemű minta (N=10 000) 2, 4, 8, 12, 20 és 30 ismétléssel
Művelet célja Fejezet száma Mintavételi makró validálása 3.1.3 Mintaméret hatásának vizsgálata 4.1.1 Vizsgált tételek és ismételten vett minták számának hatásának vizsgálata 4.1.4 Vizsgált tételek és ismételten vett minták számának hatásának vizsgálata 4.1.4 Vizsgált tételek és ismételten vett minták számának hatásának vizsgálata 4.1.4 Mintaméret hatásának vizsgálata 4.1.1 Mintaméret és ismételten vett minták számának hatásának vizsgálata, 4.1.2
10 elemű minta (N=10 000) 4, 8, 12, 20 és 30 ismétléssel 10 elemű összetett minta (N=1000) 2 ismétléssel 2, 4, 8, 16, 40, 80, 130, 160 és 182 tételből
Ismételten vett minták száma hatásának vizsgálata Vizsgált tételek számának hatásának vizsgálata konfidenciaintervallumszámításhoz
120-120 sárgarépa-, petrezselyemtermőhelyről vett minta 10 elemű minta (N=10 000) 18 tételből Generált lognormális eloszlású alapsokaságok (μ=1 és CV=0,8) Piaci gyümölcsminták az Egyesült Királyságból Normalizált sárgarépa- és petrezselyem-adatsorok Generált lognormális eloszlású adatsorok különböző CV1 értékkel, μ=1 182 tételből származó szermaradékérték területi vizsgálatokból (18 sárgarépa- és petrezselyemtétel + 69 UK-ből származó tétel + 95 tétel különböző országokból)
10 elemű minta (N=10 000) 20 tételből
Becsült konfidenciaintervallum10 elemű minta (N=1000) 2 ismétléssel 4, 8, értékek megbízhatóságának 16 és 20 alkalommal kiválasztva vizsgálata
4.1.3
4.2.1
4.2.1
M3. Példák a kezelt területek méretére szerkísérletek során különböző termények esetén Termény Lucerna Alma Alma Alma Banán Bab Bab Kávé Gyapot Gyapot Grapefruit Szőlő Szőlő Citrom Hagyma Hagyma Narancs Őszibarack Földimogyoró Földimogyoró Borsó Borsó Rizs Szója Szója Cukornád Cukornád Napraforgó
Helyszín Ausztrália Ausztrália Új-Zéland USA Ausztrália Costa Rica Európa Kolumbia Brazília Brazília Új-Zéland Ausztrália Olaszország Ausztrália Európa Új-Zéland Olaszország Ausztrália Argentína Ausztrália Európa Európa USA Brazília Európa Európa Európa Európa
Év 1988-89 1991 1986 1987 1991 1998 2000 1984 1997 2001 1985 1990 1989 1990 1999-2000 1987 1991 1991 1992 1997 1999-2000 2004 1987-88 2000 2000 1988 2000 2000
Telekméret 60-240 m2 2 fa 9 m2 1 fa, 37-46 m2 2
32 m 45-90 m2 3 fa 24 m2 60-500 m2 10 m2 1 fürt 10-40 m2 1 fa 42-93 m2 12 m2 3 fa 2 fa 11 m2 120 m2 44-90 m2 39-60 m2 37-3300 m2 64-184 m2 30-60 m2 22-144 m2 42-45 m2 42-60 m2
Mintaméret
2 kg, 15 gyümölcs 25 gyümölcs 2 kg 1-2 kg 1-2 kg 2 kg 2 kg, > 8 gyümölcs 1 kg 1-2,3 kg 2 kg, 12 hagyma 24 gyümölcs
1-6 kg 0,3-1 kg 2 kg 1-3 kg 5 növény 1-6 kg 1-1,3 kg
110
A DISSZERTÁCIÓ TÉMÁJÁBAN MEGJELENT KÖZLEMÉNYEK Impakt faktoros 1.
Farkas, Zs., Horváth, Zs., Kerekes, K., Ambrus, Á., Hámos A., Szeitzné Szabó, M. (2014): Estimation of sampling uncertainty for pesticide residues in root vegetable crops. Journal of Environmental Science and Health, Part B 49:01, 1-14. IF (2016): 1,362
2.
Farkas, Zs., Horváth, Zs., Szabó, IJ., Ambrus, Á. (2015a): Estimation of sampling uncertainty of pesticide residues based on supervised residue trial data. Journal of Agricultural and Food Chemistry. 63:18, 4409-4417. IF (2016): 3,154
3.
Farkas, Zs., Slate, A., Whitaker, TB., Suszter, G., Ambrus Á. (2015b): Use of Combined Uncertainty of Pesticide Residue Results for Testing Compliance with Maximum Residue Limits (MRLs); Journal of Agricultural and Food Chemistry 63:18, 4418-4428. IF (2016): 3,154
Könyvfejezet: 1.
Zsuzsa Farkas, Jo Marie Cook, Árpád Ambrus: Estimation of Uncertainty of Measured Residues and Testing Compliance with MRLs, in Ambrus, Á., Hamilton, D. (szerk.) Food Safety Assessment of Pesticide Residues, World Scientific, New Jersey, 2017. 404-466. ISBN 978-1786341686.
Nem impakt faktoros 1.
Ambrus, Á., Farkas, Zs., Horváth Zs., Kötelesné Suszter G. (2014): Principles and practices of control of pesticide residues in food, Journal of Food Investigation LX, 2, 8-32.
EGYÉB KÖZLEMÉNYEK Impakt faktoros 1.
Horváth, Zs., Sali, J., Zentai, A., Dorogházi, E., Farkas, Zs., Kerekes, K., Ambrus, A. (2014): Limitations in the determination of maximum residue limits and highest residues of pesticides: Part I. Journal of Environmental Science and Health, Part B 49:03, 143-152. IF (2016): 1,362
111
2.
Ambrus, Á., Horváth, Zs., Farkas, Zs., Szabó, IJ., Dorogházi E., SzeitznéSzabó, M. (2014): Nature of the field-to-field distribution of pesticide residues. Journal of Environmental Science and Health, Part B 49:4, 229244. IF (2016): 1,362
3.
Trevisani, M., Farkas, Zs., Serraino, A., Zambrini, AV., Pizzamiglio, V., Giacometti F., Ambrus Á. (2014): Analysis of industry generated data Part I. A baseline for the development of a tool to assist milk industry in designing sampling plans for controlling aflatoxin M1 in milk. Food Additives & Contaminants: Part A 31:7, 1246-1256. IF (2016): 2,047
4.
Farkas, Zs., Trevisani, M., Horváth, Zs., Serraino, A., Szabó, IJ., Kerekes, K., Szeitzné-Szabó, M., Ambrus, Á. (2014): Analysis of industry generated data Part II. Risk based sampling plan for efficient self-control of aflatoxin M1 contamination in raw milk. Food Additives & Contaminants: Part A 31:7, 1257-1273. IF (2016): 2,047
5.
Kerekes, K., Bonilauri, P., Serraino, A., Giacometti, F., Piva, S., Zambrini, V., Canever, A., Farkas, Zs., Ambrus, Á. (2016): An effective self-control strategy for the reduction of aflatoxin M1 content in milk and to decrease the exposure of consumers. Food Addit Contam Part A Chem Anal Control Expo Risk Assess. 12, 1840-1849. IF (2016): 2,047
Nem impakt faktoros 1. Ambrus, Á., Horváth, Zs., Farkas, Zs., Cseh, J., Petrova, S., Dimitrov, P., Duleva, V., Rangelova, L., Chikova-Iscener, E., Ovaskainen, ML., Pakkala, H., Heinemeyer, G., Lindtner, O., Schweter, A., Naska, A., Sekuła, W., Guiomar, S., Lopes, C., Torres, D. (2013): Pilot study in the view of a PanEuropean dietary survey - adolescents, adults and elderly. EFSA Journal. Available online: www.efsa.europa.eu/publications. 2. Farkas, Zs., Kerekes, K., Szabó, IJ., Ambrus, Á. (2014): MS Excel-based method for the preparation of target-oriented sampling plans, Élelmiszervizsgálati Közlemények / Journal of Food Investigation LXI, 2, 588-609. (megjelent magyarul és angolul).
112
KÖSZÖNETNYILVÁNÍTÁS Legnagyobb köszönettel a témavezetőmnek, Dr. Ambrus Árpádnak tartozom, aki végtelen odaadással és türelemmel segítette a munkámat, azt gyakran saját feladatai elé helyezve, időt és energiát nem sajnálva. Köszönet illeti munkáltatóimat és közvetlen feletteseimet, akik támogatták és lehetővé tették számomra a doktori iskola elvégzését. Köszönöm a lehetőséget a NÉBIH
Élelmiszerbiztonsági
Kockázatértékelési
Igazgatóságán
Dr.
Barna
Saroltának, Dr. Szeitzné Dr. Szabó Máriának és Mészáros Lászlónak, a Rendszerszervezési és Fejlesztési Igazgatóságon Dr. Volford Zsoltnak és Dr. Jóźwiak Ákosnak. Köszönettel tartozom kollégáimnak a segítségért, Szabó J. Istvánnak a modellezések kivitelezésében, Tóth Marcell Mártonnak és Kerekes Katának a stiláris és helyesírásbeli segítségért, Dr. Zentai Andreának és Dr. Engelhardt Teklának a műhelyvitán nyújtott értékes segítségéért, tanácsaikért. Köszönöm a disszertáció műhelyvitára készült változatának gondos átnézését Dr. Solymosné Dr. Majzik Etelkának, Marczika Andrásné Dr. Sörös Csillának, Dr. Kemény Sándornak és Dr. Somlyai Istvánnak. Értékes észrevételeikkel nagyban hozzájárultak a disszertáció véglegesítéséhez. Köszönöm a publikációk társszerzőinek a közös munkát, valamint hogy hozzájárultak az anyagok felhasználásához a disszertációban. Hálás vagyok a családomnak, szüleimnek, anyósomnak és apósomnak, de leginkább a férjemnek és a lányomnak, akik átlendítettek a nehézségeken és minden lehetséges módon segítettek ebben az időszakban.
113